Informacje administracyjne
| Tytuł | Cykl życia MLOps |
| Czas trwania | 60 |
| Moduł | B |
| Rodzaj lekcji | Praktyczne |
| Skupienie | Praktyczna – organizacyjna sztuczna inteligencja |
| Temat | Kompleksowy przegląd cyklu życia MLOps |
Słowa kluczowe
MLOps, Organizational AI, Etyczne, Projektowanie,
Cele w zakresie uczenia się
- Zrozumienie MLOPS end-to-end
- Zrozumienie Ingestion danych
- Zapoznanie się z rozwojem algorytmu
- Zapoznanie się z rozwojem i wdrażaniem modelu
- Zrozumienie ciągłego monitorowania
Oczekiwane przygotowanie
Wydarzenia edukacyjne, które należy ukończyć przed
Obowiązkowe dla studentów
Opcjonalne dla studentów
- Przygotowanie i zarządzanie danymi: Przed nurkowaniem w MLOPS korzystne jest zrozumienie początkowych faz procesu uczenia maszynowego, w szczególności gromadzenia danych, czyszczenia i wstępnego przetwarzania
- Model szkolenia i walidacji: Zrozumienie, w jaki sposób modele są trenowane, zatwierdzane i oceniane, zapewni solidne podstawy do zrozumienia operacyjnych aspektów ML.
- Strojenie hiperparametrów: Chociaż nie zawsze dogłębnie uwzględniane w kursach MLOps, zrozumienie strojenia hiperparametru może być korzystne, ponieważ jest to kluczowy krok w optymalizacji modelu.
- Narzędzia i platformy MLOps: Znajomość narzędzi takich jak Kubeflow, Azure ML i innych może dać uczniom przewagę.
- Praktyki dokumentacyjne w ML: Właściwa dokumentacja jest niezbędna w MLOps dla odtwarzalności i współpracy. Zrozumienie najlepszych praktyk w dokumentacji ML może być korzystne.
- Crisp-DM, CRISP-ML, ML Canvas: Są to metody i ramy zarządzania projektami ML. Posiadanie podstawowego zrozumienia może być korzystne dla strony operacyjnej projektów ML.
Referencje i tło dla studentów
- Uczniowie powinni zapoznać się z następującymi narzędziami i technikami
- JupyterNotebooks – opinie, recenzje użytkowników, ekspertów, porównanie cen. – alaTest.pl
- CUE
- Docker
- Młyn papierniczy
- Streamlit
- Shell Scripting
Zalecane dla nauczycieli
- JupyterNotebooks – opinie, recenzje użytkowników, ekspertów, porównanie cen. – alaTest.pl
- CUE
- Docker
- Młyn papierniczy
- Streamlit
- Shell Scripting
Materiały do lekcji
- Proszę zapoznać się z pełnym pakietem tutaj RADIX-Practical-Package
Instrukcje dla nauczycieli
Wprowadzenie
Zanim nauczysz się praktycznego kursu MLOps, ważne jest, aby nauczyciele mieli głębokie zrozumienie narzędzi i technologii wymienionych w zarysu kursu. Kurs jest zorganizowany wokół 3-częściowego demo, z których każda podkreśla inne podejście do MLOps. Oto kroki, aby zapoznać się z tymi narzędziami:
1. The Shell (ręczny) sposób
Cel: Poznaj podstawy konfigurowania środowiska Pythona i uruchamiania notebooka Jupyter.
Kroki:
Środowisko Pythona: Zainstaluj Pythona w swoim systemie. Dowiedz się, jak stworzyć wirtualne środowisko za pomocą venv lub conda. Ćwicz aktywację i dezaktywację środowiska.
Instalacja pakietu: Poznaj strukturę i cel pliku requirements.txt. Ćwicz instalowanie pakietów za pomocą pip install -r requirements.txt.
Notatnik Jupyter: Zainstaluj notatnik Jupyter. Poznaj podstawy uruchamiania serwera Jupyter. Ćwicz tworzenie, uruchamianie i zapisywanie notebooków.
Serwer Streamlit: Zrozumieć cel Streamlit i jak można go wykorzystać do tworzenia aplikacji internetowych. Ćwicz za pomocą artefaktów generowanych z notebooka Jupyter w aplikacji Streamlit.
Rozważania: Zrozumienie korzyści płynących z tego podejścia, takich jak budowanie podstawowej wiedzy i wstępne prototypowanie. Bądź świadomy jego ograniczeń, takich jak potencjalny bałagan, wyzwania w transferze wiedzy i trudności w replikowaniu konfiguracji.
2. The Docker + Make (dziedzictwo) sposób
Cel: Poznaj koncepcje konteneryzacji i automatyzacji za pomocą Docker and Make.
Kroki:
Docker: Zainstaluj Dockera w swoim systemie. Poznaj strukturę i cel pliku Dockerfile. Ćwicz budowanie obrazów Dockera i uruchamianie kontenerów. Zapoznaj się ze zwykłymi poleceniami Dockera.
Makefile:Zrozumieć cel Makefile w automatyzacji zadań. Poznaj podstawową składnię Makefile. Ćwicz pisanie i wykonywanie prostych poleceń Zrób polecenia.
Rozważania: Zrozumieć korzyści płynące z tego podejścia, takie jak odtwarzalność. Rozpoznaj jego ograniczenia, takie jak potrzeba replikacji projektów, przełączanie kontekstu i skupienie się na obrazach nad artefaktami.
3. Radix (kompozycyjny) sposób
Cel: Zanurz się w zaawansowanych praktykach MLOps za pomocą kompozycyjnych przepływów pracy.
Kroki:
Młyn papierniczy: Poznaj cel Papermill w parametryzacji i wykonywaniu notebooków Jupyter. Ćwicz tworzenie i uruchamianie notebooków z Papermill. Zapoznaj się z dostępnymi pakietami lub rozważ utworzenie prostego.
Streamlit (zaawansowane): Zanurz się głębiej w zaawansowane funkcjonalności Streamlit. Zapoznaj się z dostępnymi pakietami lub rozważ utworzenie prostego.
Tworzenie przepływu pracy: Zrozumieć koncepcję kompozycyjnych przepływów pracy w MLOps. Ćwicz tworzenie przepływów pracy wykorzystujących pakiety Papermill i Streamlit.
Rozważania: Zrozumienie korzyści płynących z tego podejścia, takich jak odtwarzalność, łatwa parametryzacja, walidacja i komposowalność. Bądź świadomy jego ograniczeń, takich jak przebywanie na krawędzi krwawienia i potencjalne luki w dokumentacji.
Wnioski
Wykonując te kroki, nauczyciele będą dobrze przygotowani do skutecznego prowadzenia praktycznego kursu MLOps. Ważne jest, aby nie tylko zrozumieć aspekty techniczne, ale także podstawowe powody wyboru każdego podejścia. Pozwoli to nauczycielom zapewnić studentom kompleksowe zrozumienie praktyk MLOps.
Zarys
| Czas trwania (min) | Opis |
|---|---|
| 30 | Ręczny sposób – Shell Scripting |
| 30 | The Docker + Make (dziedzictwo) sposób |
| 30 | Radix (kompozycyjny) sposób |
| 30 | Rozważania dotyczące czasu pracy, narzędzi i wydajności |
| 10 | Podsumowanie i ocena wyników |
Potwierdzenia
Tarry Singh. (Prawdziwa AI B.V., Assen, Niderlandy) https://realai.eu
Program Masters zorientowany na człowieka został współfinansowany przez instrument „Łącząc Europę” Unii Europejskiej w ramach grantu CEF-TC-2020-1 Umiejętności cyfrowe 2020-EU-IA-0068.