[esta página na wiki][índice][EN][BG][CS][DA][DE][EL][ES][ET][FI][FR][GA][HR][HU][IT][MT][NL][PL][PT][RO][SK][SL][SV]

Prática: Ml-Ops Ciclo de vida

Informações administrativas

Titulo Ciclo de vida dos MLOps
Duração 60
Módulo B
Tipo de aula Prático
Foco Prático — Inteligência Artificial Organizacional
Tópico Panorâmica de extremo a extremo do ciclo de vida dos MLOps

Palavras-chave

MLOps, IA Organizacional, Ética, Design,

Objetivos de aprendizagem

Preparação prevista

Eventos de aprendizagem a serem concluídos antes

Facultativo para Estudantes

  • Preparação e gestão de dados: Antes de mergulhar em MLOps, é benéfico compreender as fases iniciais do processo de aprendizagem automática, especialmente a recolha de dados, limpeza e pré-processamento.
  • Modelo de Formação e Validação: Uma compreensão de como os modelos são treinados, validados e avaliados fornecerá uma base sólida para a compreensão dos aspetos operacionais da ML.
  • Afinação do hiperparâmetro: Embora nem sempre seja abordado em profundidade em cursos de MLOps, compreender a afinação de hiperparâmetros pode ser benéfico, uma vez que é um passo crucial na otimização do modelo.
  • MLOps Ferramentas e Plataformas: A familiaridade com ferramentas como o Kubeflow, o Azure ML e outras podem dar aos alunos um avanço.
  • Práticas de documentação em ML: A documentação adequada é essencial em MLOps para a reprodutibilidade e a colaboração. Compreender as melhores práticas na documentação ML pode ser vantajoso.
  • Nítido-DM, CRISP-ML, ML Canvas: Trata-se de metodologias e enquadramentos para a gestão de projetos de ML. Ter uma compreensão básica pode ser benéfico para o lado operacional dos projetos de ML.

Referências e antecedentes para estudantes

Recomendado para professores

  • JupyterNotebooks
  • DEIXA
  • Docker
  • Moinho de papel
  • Streamlit
  • Shell Scripting

Materiais das aulas

Instruções para os professores

Introdução

Antes de ensinar o curso prático de MLOps, é essencial que os professores tenham uma compreensão profunda das ferramentas e tecnologias mencionadas no esboço do curso. O curso é estruturado em torno de uma demo de 3 partidas, cada uma destacando uma abordagem diferente para MLOps. Aqui estão os passos para familiarizar-se com estas ferramentas:

1. Caminho da Shell (Manual)

Objetivo: Compreender as noções básicas de configurar um ambiente Python e executar um bloco de notas Jupyter.

Etapas:

Python Ambiente: Instale o Python no seu sistema. Saiba como criar um ambiente virtual usando venv ou conda. Pratique ativar e desativar o ambiente.

Instalação do pacote: Compreender a estrutura e a finalidade de um arquivo requirements.txt. Pratique a instalação de pacotes usando pip install -r requirements.txt.

Caderno Jupyter: Instalar o Jupyter Notebook. Aprenda as noções básicas para iniciar um servidor Jupyter. Pratique criar, executar e salvar cadernos.

Streamlit Server: Compreender o objetivo do Streamlit e como pode ser usado para criar aplicações web. Pratique a utilização de artefactos gerados a partir de um bloco de notas Jupyter numa aplicação Streamlit.

Considerações: Compreender os benefícios desta abordagem, como construir conhecimento fundamental e prototipagem inicial. Esteja ciente das suas limitações, como a confusão potencial, os desafios na transferência de conhecimento e as dificuldades em replicar as configurações.

2. O Docker + Fazer (herança) Caminho

Objetivo: Compreender os conceitos de contentorização e automação usando Docker and Make.

Etapas:

Docker: Instale o Docker no seu sistema. Compreender a estrutura e o objetivo de um Dockerfile. Pratique construir imagens Docker e correr contêineres. Familiarize-se com os comandos comuns do Docker.

Makefile: Compreender a finalidade de um Makefile na automatização de tarefas. Aprenda a sintaxe básica de um Makefile. Praticar a escrita e a execução simples Fazer comandos.

Considerações: Compreender os benefícios desta abordagem, como a reprodutibilidade. Reconhecer as suas limitações, como a necessidade de replicação em projetos, a mudança de contexto e o seu foco em imagens sobre artefactos.

3. O Caminho Radix (Composicional)

Objetivo: Mergulhe em práticas avançadas de MLOps utilizando fluxos de trabalho composicionais.

Etapas:

Papelaria: Compreender o objetivo da Papermill na parametrização e execução de cadernos Jupyter. Pratique a criação e a execução de cadernos com Papermill. Explore os pacotes disponíveis ou considere criar um simples.

Streamlit (avançado): Mergulhe mais profundamente nas funcionalidades avançadas do Streamlit. Explore os pacotes disponíveis ou considere criar um simples.

Criação do fluxo de trabalho: Compreender o conceito de fluxos de trabalho composicionais em MLOps. Pratique criar fluxos de trabalho que utilizem os pacotes Papermill e Streamlit.

Considerações: Compreender os benefícios desta abordagem, como reprodutibilidade, fácil parametrização, validação e composabilidade. Esteja ciente de suas limitações, como estar na borda do sangramento e potenciais lacunas na documentação.

Conclusão

Ao seguir estes passos, os professores estarão bem equipados para ministrar o curso prático de MLOps de forma eficaz. É crucial não só compreender os aspetos técnicos, mas também as razões subjacentes para a escolha de cada abordagem. Isto permitirá aos professores fornecer aos alunos uma compreensão abrangente das práticas de MLOps.

Esboço

Calendário/horário
Duração (Min) Descrição
30 O Caminho Manual — Shell Scripting
30 O Docker + Fazer (herança) caminho
30 A Via Radix (Composicional)
30 Tempo de execução, Ferramentas e considerações de desempenho
10 Resumir e avaliar os resultados

Agradecimentos

Tarry Singh. (Real AI B.V., Assen, Países Baixos) https://realai.eu

O programa de mestrado em IA centrado no ser humano foi cofinanciado pelo Mecanismo Interligar a Europa da União Europeia ao abrigo de subvenções CEF-TC-2020-1 Competências Digitais 2020-EU-IA-0068.