Upravne informacije
| Naslov | MLOps življenjski cikel |
| Trajanje | 60 |
| Modul | B |
| Vrsta lekcije | Praktična |
| Osredotočenost | Praktična – organizacijska umetna inteligenca |
| Tema | Pregled življenjskega cikla MLOps od konca do konca |
Ključne besede
MLOps, organska umetna inteligenca, etična, oblikovanje,
Učni cilji
- Razumevanje MLOps od konca do konca
- Razumevanje zaužitja podatkov
- Spoznavanje razvoja algoritma
- Seznanjanje z razvojem in uvajanjem modela
- Razumevanje stalnega spremljanja
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Obvezno za študente
Neobvezno za študente
- Priprava in upravljanje podatkov: Pred potapljanjem v MLOps je koristno razumeti začetne faze procesa strojnega učenja, zlasti zbiranje podatkov, čiščenje in predobdelavo.
- Model usposabljanja in potrjevanja: Razumevanje, kako se modeli usposobijo, validirajo in vrednotijo, bo zagotovilo trdne temelje za razumevanje operativnih vidikov ML.
- Hiperparameter Tuning: Čeprav v tečajih MLOps ni vedno pokrita globina, je razumevanje hiperparametrskega tuninga lahko koristno, saj je ključni korak pri optimizaciji modela.
- Orodja in platforme MLOps: Poznavanje orodij, kot so Kubeflow, Azure ML in drugi, lahko študentom dajo prednost.
- Dokumentacijske prakse v ML: Ustrezna dokumentacija je v MLOps bistvena za ponovljivost in sodelovanje. Razumevanje najboljših praks v dokumentaciji ML je lahko koristno.
- Hrustljavo-DM, CRISP-ML, ML Canvas: To so metodologije in okviri za upravljanje projektov ML. Osnovno razumevanje je lahko koristno za operativno stran projektov ML.
Reference in ozadje za študente
- Učencem svetujemo, da se seznanijo z naslednjimi orodji in tehnikami
- JupyterNotebooks
- CUE
- Docker
- Papirnati mlin
- Streamlit
- Shell Scripting
Priporočeno za učitelje
- JupyterNotebooks
- CUE
- Docker
- Papirnati mlin
- Streamlit
- Shell Scripting
Gradivo za učne ure
- Oglejte si celoten paket tukaj RADIX-Practical-Package
Navodila za učitelje
Uvod
Pred poučevanjem praktičnega tečaja MLOps je za učitelje bistveno, da dobro razumejo orodja in tehnologije, navedene v orisu tečaja. Tečaj je strukturiran okoli 3-delnega demo, pri čemer vsak poudarja drugačen pristop k MLOps. Tukaj so koraki, da se seznanite s temi orodji:
1. Shell (priročni) način
Cilj: Razumeti osnove vzpostavitve Python okolja in vodenje zvezka Jupyter.
Koraki:
Python okolje: Namestite Python na vaš sistem. Naučite se ustvariti virtualno okolje z uporabo venv ali conda. Vadite aktiviranje in deaktiviranje okolja.
Namestitev paketa: Razumeti strukturo in namen datoteke requirements.txt. Praksa namestitve paketov z uporabo Pip install -r requirements.txt.
Jupyter Notebook: Namestite zvezek Jupyter. Naučite se osnov zagona strežnika Jupyter. Vadite ustvarjanje, izvajanje in shranjevanje zvezkov.
Streamlit Server: Razumeti namen Streamlit in kako ga je mogoče uporabiti za ustvarjanje spletnih aplikacij. Vadite z uporabo artefaktov, ustvarjenih iz zvezka Jupyter v aplikaciji Streamlit.
Premisleki: Razumeti prednosti tega pristopa, kot sta gradnja temeljnega znanja in začetna izdelava prototipov. Zavedajte se njegovih omejitev, kot so morebitna nerednost, izzivi pri prenosu znanja in težave pri ponavljanju nastavitev.
2. Docker + Naredite (nasledstvo) način
Cilj: Razumevanje konceptov kontejnerizacije in avtomatizacije z uporabo Docker in Make.
Koraki:
Docker: Namestite Docker na vaš sistem. Razumeti strukturo in namen Dockerfile. Vadite gradnjo Docker slike in tekoče posode. Seznanite se s skupnimi Dockerjevimi ukazi.
Makefile: Razumite namen datoteke Makefile pri avtomatizaciji opravil. Naučite se osnovne sintakse Makefile. Vadite pisanje in izvajanje preprostih ukazov.
Premisleki: Razumeti prednosti tega pristopa, kot je ponovljivost. Prepoznajte njegove omejitve, kot so potreba po replikaciji med projekti, preklapljanje konteksta in osredotočenost na slike nad artefakti.
3. Radix (kompozicijski) način
Cilj: Potopite se v napredne prakse MLOps z uporabo kompozicijskih potekov dela.
Koraki:
Papirnati mlin: Razumeti namen Papermill pri parametriziranju in izvajanju zvezkov Jupyter. Vadite ustvarjanje in vodenje zvezkov s Papermill. Raziščite razpoložljive pakete ali razmislite o ustvarjanju preprostega.
Streamlit (napredno): Poglobite se v napredne funkcije Streamlit. Raziščite razpoložljive pakete ali razmislite o ustvarjanju preprostega.
Ustvarjanje delovnega postopka: Razumeti koncept kompozicijskih potekov dela v MLOps. Vadite ustvarjanje potekov dela, ki uporabljajo pakete Papermill in Streamlit.
Premisleki: Razumeti prednosti tega pristopa, kot so ponovljivost, enostavna parameterizacija, validacija in sestavljivost. Zavedajte se njegovih omejitev, kot so biti na robu krvavitve in morebitne vrzeli v dokumentaciji.
Zaključek
Z upoštevanjem teh korakov bodo učitelji dobro opremljeni za učinkovito izvajanje praktičnega tečaja MLOps. Pomembno je razumeti ne le tehnične vidike, ampak tudi osnovne razloge za izbiro vsakega pristopa. To bo učiteljem omogočilo, da učencem zagotovijo celovito razumevanje praks MLOps.
Obris
| Trajanje (mini) | Opis |
|---|---|
| 30 | Ročni način – Shell Scripting |
| 30 | Docker + Naredite (nasledstvo) način |
| 30 | Radix (sestavni) način |
| 30 | Vprašanja v zvezi s časom izvajanja, orodjem in učinkovitostjo |
| 10 | Povzetek in vrednotenje rezultatov |
Priznanja
Tarry Singh. (Real AI B.V., Assen, Nizozemska) https://realai.eu
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).