Administrativ information
| Titel | MLOps livscykel |
| Varaktighet | 60 |
| Modul | B |
| Typ av lektion | Praktiskt |
| Fokus | Praktiskt – Organisatorisk AI |
| Ämne | End-to-end översikt över MLOps livscykel |
Nyckelord
MLOps,Organizational AI, Etisk, Design,
Lärandemål
- Förstå MLOps end-to-end
- Förstå dataintag
- Bekanta dig med algoritmutveckling
- Bekanta dig med Model Development and Deployment
- Förstå kontinuerlig övervakning
Förväntad förberedelse
Lärande händelser som ska slutföras innan
Obligatoriskt för studenter
Valfritt för studenter
- Dataförberedelse och datahantering: Innan du dyker i MLOps är det fördelaktigt att förstå de inledande faserna av maskininlärningsprocessen, särskilt datainsamling, rengöring och förbehandling.
- Modellutbildning och validering: Ett grepp om hur modeller utbildas, valideras och utvärderas kommer att ge en solid grund för att förstå de operativa aspekterna av ML.
- Hyperparameterjustering: Även om det inte alltid täcks på djupet i MLOps kurser, kan förståelse av hyperparameterinställning vara fördelaktigt eftersom det är ett avgörande steg i modelloptimering.
- MLOps verktyg och plattformar: Förtrogenhet med verktyg som Kubeflow, Azure ML och andra kan ge eleverna ett försprång.
- Dokumentationspraxis i ML: Korrekt dokumentation är avgörande i MLOps för reproducerbarhet och samarbete. Att förstå bästa praxis i ML-dokumentation kan vara fördelaktigt.
- CRISP-ML, ML Canvas: Dessa är metoder och ramar för ML projektledning. Att ha en grundläggande förståelse kan vara till nytta för den operativa sidan av ML-projekt.
Referenser och bakgrund för studenter
- Eleverna rekommenderas att bekanta sig med följande verktyg och tekniker
- JupyterNoteböcker
- CUE
- Docker
- Pappersbruk
- Streamlit
- Skalskriptning
Rekommenderas för lärare
- JupyterNoteböcker
- CUE
- Docker
- Pappersbruk
- Streamlit
- Skalskriptning
Lektionsmaterial
- Se hela paketet här RADIX-Practical-Package
Instruktioner för lärare
Inledning
Innan du undervisar i den praktiska MLOps-kursen är det viktigt för lärare att ha en djup förståelse för de verktyg och tekniker som nämns i kursplanen. Kursen är uppbyggd kring en 3-delad demo, var och en belyser en annan inställning till MLOps. Här är stegen för att bekanta dig med dessa verktyg:
1. Shell (manuellt) sätt
Mål: Förstå grunderna för att konfigurera en Python-miljö och köra en Jupyter-anteckningsbok.
Steg:
Python miljö: Installera Python på ditt system. Lär dig att skapa en virtuell miljö med hjälp av venv eller conda. Öva på att aktivera och avaktivera miljön.
Förpackningsinstallation: Förstå strukturen och syftet med en requirements.txt-fil. Öva på att installera paket med pipinstallation -r requirements.txt.
Jupyter anteckningsbok: Installera Jupyter Notebook. Lär dig grunderna för att starta en Jupyter-server. Öva på att skapa, köra och spara anteckningsböcker.
Streamlit Server: Förstå syftet med Streamlit och hur det kan användas för att skapa webbapplikationer. Öva med artefakter som genereras från en Jupyter-anteckningsbok i ett Streamlit-program.
Överväganden: Förstå fördelarna med detta tillvägagångssätt, såsom att bygga grundläggande kunskap och inledande prototyper. Var medveten om dess begränsningar, som den potentiella röran, utmaningar i kunskapsöverföring och svårigheter att replikera inställningar.
2. Docker + Gör (arv) sätt
Mål: Förstå begreppen containerisering och automatisering med hjälp av Docker och Make.
Steg:
Docker: Installera Docker på ditt system. Förstå strukturen och syftet med en Dockerfile. Öva på att bygga Docker-bilder och kör behållare. Bekanta dig med vanliga Docker-kommandon.
Makefile: Förstå syftet med en Makefile när det gäller att automatisera uppgifter. Lär dig den grundläggande syntaxen för en Makefile. Öva på att skriva och utföra enkla kommandon.
Överväganden: Förstå fördelarna med detta tillvägagångssätt, såsom reproducerbarhet. Känn igen dess begränsningar, som behovet av replikering över projekt, kontextbyte och dess fokus på bilder över artefakter.
3. Radix (kompositionella) sätt
Mål: Dyk in i avancerade MLOps-metoder med hjälp av kompositionsarbetsflöden.
Steg:
Pappersbruk: Förstå syftet med Papermill när det gäller att parametrisera och utföra Jupyter-anteckningsböcker. Öva på att skapa och köra anteckningsböcker med Papermill. Utforska tillgängliga paket eller överväga att skapa ett enkelt.
Streamlit (avancerat): Dyk djupare in i avancerade Streamlit-funktioner. Utforska tillgängliga paket eller överväga att skapa ett enkelt.
Skapande av arbetsflöde: Förstå begreppet kompositionella arbetsflöden i MLOps. Öva på att skapa arbetsflöden som använder paketen Papermill och Streamlit.
Överväganden: Förstå fördelarna med detta tillvägagångssätt, såsom reproducerbarhet, enkel parameterisering, validering och komponerbarhet. Var medveten om dess begränsningar, som att vara på blödningskanten och potentiella luckor i dokumentationen.
Slutsats
Genom att följa dessa steg kommer lärarna att vara välutrustade för att leverera den praktiska MLOps-kursen effektivt. Det är viktigt att inte bara förstå de tekniska aspekterna utan också de bakomliggande orsakerna till att välja varje tillvägagångssätt. Detta kommer att göra det möjligt för lärare att ge eleverna en omfattande förståelse för MLOps praxis.
Konturer
| Varaktighet (min) | Beskrivning |
|---|---|
| 30 | Det manuella sättet – Shell Scripting |
| 30 | Docker + Gör (arv) sätt |
| 30 | Radix (Compositional) sätt |
| 30 | Runtime-, verktygs- och prestandaöverväganden |
| 10 | Sammanfatta och utvärdera resultat |
Erkännanden
Tarry Singh. (Verklig AI B.V., Assen, Nederländerna) https://realai.eu
Masterprogrammet Human-Centered AI har samfinansierats av Fonden för ett sammanlänkat Europa i Europeiska unionen inom ramen för Grant CEF-TC-2020–1 Digital Skills 2020 EU-IA-0068.