Administratieve informatie
| Titel | MLOps-levenscyclus |
| Looptijd | 60 |
| Module | B |
| Type les | Praktisch |
| Focus | Praktisch — Organisatie-AI |
| Onderwerp | End-to-end overzicht van de levenscyclus van MLOps |
Sleutelwoorden
MLOps, Organizational AI, Ethisch, Ontwerp,
Leerdoelen
- Begrijpen van MLOps end-to-end
- Inzicht in data-inname
- Kennismaken met algoritmeontwikkeling
- Kennismaken met modelontwikkeling en implementatie
- Inzicht in continue monitoring
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Verplicht voor studenten
Optioneel voor studenten
- Gegevensvoorbereiding en -beheer: Voordat u in MLOps duikt, is het nuttig om de beginfasen van het machine learning-proces te begrijpen, met name gegevensverzameling, reiniging en voorbewerking
- Modeltraining en validatie: Een greep van hoe modellen worden getraind, gevalideerd en geëvalueerd, zal een solide basis bieden voor het begrijpen van de operationele aspecten van ML.
- Hyperparameter Tuning: Hoewel het niet altijd diepgaand wordt behandeld in MLOps-cursussen, kan het begrijpen van hyperparametertuning nuttig zijn omdat het een cruciale stap is in modeloptimalisatie.
- MLOps Tools en Platforms: Vertrouwdheid met tools zoals Kubeflow, Azure ML en anderen kunnen studenten een voorsprong geven.
- Documentatiepraktijken in ML: Goede documentatie is essentieel in MLOps voor reproduceerbaarheid en samenwerking. Het begrijpen van best practices in ML-documentatie kan voordelig zijn.
- Sharp-DM, CRISP-ML, ML Canvas: Dit zijn methodologieën en frameworks voor ML projectmanagement. Het hebben van een basiskennis kan gunstig zijn voor de operationele kant van ML-projecten.
Referenties en achtergronden voor studenten
- Studenten worden geadviseerd om vertrouwd te raken met de volgende tools en technieken
- JupyterNotebooks
- KEU
- Docker
- Papiermolen
- Streamlit
- Shell scripting
Aanbevolen voor docenten
- JupyterNotebooks
- KEU
- Docker
- Papiermolen
- Streamlit
- Shell scripting
Lesmateriaal
- Raadpleeg hier het volledige pakket RADIX-Practical-Package
Instructies voor docenten
Introductie
Alvorens de praktische MLOps-cursus te onderwijzen, is het essentieel voor docenten om een diep begrip te hebben van de hulpmiddelen en technologieën die in de cursus worden genoemd. De cursus is opgebouwd rond een 3-delige demo, die elk een andere benadering van MLOps benadrukt. Hier zijn de stappen om jezelf vertrouwd te maken met deze tools:
1. De Shell (handmatige) manier
Doelstelling: Begrijp de basisprincipes van het opzetten van een Python-omgeving en het uitvoeren van een Jupyter-notebook.
Stappen:
Python-omgeving: Installeer Python op je systeem. Leer hoe u een virtuele omgeving maakt met venv of conda. Oefen het activeren en deactiveren van het milieu.
Installatie van het pakket: Begrijp de structuur en het doel van een requirements.txt bestand. Oefen het installeren van pakketten met behulp van pip install -r requirements.txt.
Jupyter Notebook: Installeer Jupyter Notebook. Leer de basisprincipes van het starten van een Jupyter-server. Oefen met het maken, uitvoeren en opslaan van notitieblokken.
Streamlit Server: Begrijp het doel van Streamlit en hoe het kan worden gebruikt om webapplicaties te maken. Oefen met artefacten die zijn gegenereerd uit een Jupyter-notitieblok in een Streamlit-toepassing.
Overwegingen: Begrijp de voordelen van deze aanpak, zoals het opbouwen van fundamentele kennis en initiële prototyping. Wees je bewust van de beperkingen ervan, zoals de potentiële rommeligheid, uitdagingen in kennisoverdracht en problemen bij het repliceren van opstellingen.
2. De Docker + Maken (Erfgoed) Way
Doelstelling: Vat de concepten van containerisatie en automatisering met behulp van Docker en Make.
Stappen:
Docker: Installeer Docker op uw systeem. Begrijp de structuur en het doel van een Dockerfile. Oefen het bouwen van Docker-afbeeldingen en het uitvoeren van containers. Maak uzelf vertrouwd met gewone Docker-commando’s.
Makefile: Begrijp het doel van een Makefile bij het automatiseren van taken. Leer de basis syntaxis van een Makefile. Oefen schrijven en uitvoeren van eenvoudige commando’s.
Overwegingen: Begrijp de voordelen van deze aanpak, zoals reproduceerbaarheid. Herken de beperkingen ervan, zoals de noodzaak van replicatie over projecten, het wisselen van context en de focus op beelden boven artefacten.
3. De Radix (compositie) manier
Doelstelling: Duik in geavanceerde MLOps-praktijken met behulp van compositieworkflows.
Stappen:
Papiermolen: Begrijp het doel van Papermill bij het parametreren en uitvoeren van Jupyter notebooks. Oefen het maken en uitvoeren van notitieblokken met Papermill. Verken de beschikbare pakketten of overweeg om een eenvoudige te maken.
Streamlit (geavanceerd): Duik dieper in geavanceerde Streamlit-functionaliteiten. Verken de beschikbare pakketten of overweeg om een eenvoudige te maken.
Creatie van workflows: Begrijp het concept van compositieworkflows in MLOps. Oefen met het maken van workflows die gebruik maken van de Papermill- en Streamlit-pakketten.
Overwegingen: Begrijp de voordelen van deze aanpak, zoals reproduceerbaarheid, eenvoudige parameterisatie, validatie en composabiliteit. Wees je bewust van de beperkingen ervan, zoals op de bloedingsrand en mogelijke hiaten in de documentatie.
Conclusie
Door deze stappen te volgen, zullen docenten goed uitgerust zijn om de praktische MLOps-cursus effectief te leveren. Het is van cruciaal belang om niet alleen de technische aspecten te begrijpen, maar ook de onderliggende redenen om elke aanpak te kiezen. Dit zal docenten in staat stellen om studenten te voorzien van een uitgebreid begrip van MLOps praktijken.
Omtrek
| Duur (Min) | Omschrijving |
|---|---|
| 30 | De Handleiding — Shell Scripting |
| 30 | De Docker + Maken (Erfgoed) manier |
| 30 | De Radix (compositie) manier |
| 30 | Runtime-, tooling- en prestatieoverwegingen |
| 10 | De resultaten samenvatten en evalueren |
Erkenningen
Teer Singh. (Real AI B.V., Assen, Nederland) https://realai.eu
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.