Tato kapitola ti dá dovednosti a znalosti potřebné k přesunu modelů strojového učení z fáze výzkumu a vývoje do produkčního prostředí. Naučíš se, jak přejít od výzkumného prototypu ke spolehlivému, škálovatelnému a udržitelnému systému.

Přechod na MLOps myšlení

Co je klíčovým aspektem MLOps?

Co je technický dluh?

Psaní udržovatelného ML kódu

Správa verzí

Organizace kódu

Jak psát efektivní ML dokumentaci

Proč dokumentovat metody označování dat?

Nejlepší postupy MLOps

Od výzkumu k produkci

V této kapitole se dozvíš, proč je reprodukovatelnost v strojovém učení tak důležitá a jak zajistit, aby tvoje modely zůstaly reprodukovatelné a spolehlivé i v průběhu času. Prozkoumáš různé techniky a osvědčené postupy, které ti pomohou reprodukovatelnost modelů zaručit.

Návrh reprodukovatelných experimentů

Reprodukovatelnost v ML

Identifikace klíčových aspektů reprodukovatelnosti a spolehlivosti

Třídění prvků spolehlivosti

Třídění aspektů reprodukovatelnosti a dokumentačních postupů

Feature engineering

Cíle a techniky feature engineeringu – jak je rozlišit

Rozpoznávání technik manipulace s daty a jejich transformace

Výběr příznaků

Verzování dat a modelů

Úložiště modelů

Verzování trénovacích dat

Zajištění reprodukovatelnosti

Ve 3. kapitole se zaměříme na výzvy spojené s nasazením modelů strojového učení do produkčních prostředí. Naučíš se různé přístupy k nasazení ML modelů do produkce a strategie pro jejich monitorování a údržbu.

Balení ML modelů

Cíl serializace a kontejnerizace

Správné pořadí při balení modelu

Škálovatelnost

Škálování

Složitost modelu

Kategorizace technik škálování

Automatizace

Přínosy průběžného doručování

Kroky CI/CD

Nasazování ML modelů do produkce

ML v produkčních prostředích

V závěrečné kapitole se naučíš různé způsoby testování ML pipeline a ověříš, že fungují podle očekávání. Zjistíš, proč je testování ML pipeline důležité, a poznáš techniky pro jejich testování a validaci.

Spolehlivost modelu

Možnosti

Testování připravenosti pipeline

Testování zastaralosti pipeline

Kategorizace testovacích strategií pro připravenost a zastaralost ML pipeline

Řešení zastarávání modelu v ML pipeline

Testování dat

Výběr správného testu

Kontrola konzistence

Testování modelů

Predikce celoživotní hodnoty zákazníka

Individuální spravedlnost

Skupinová spravedlnost

Klasifikace spravedlnosti

Testování kódu produkujícího modely

Testování machine learningových pipeline

Gratulujeme!

Testování ML pipeline

Velká část obsahu o strojovém učení se soustředí na trénování modelů a ladění parametrů, ale 90 % experimentálních modelů se nikdy nedostane do produkce – hlavně proto, že nebyly navrženy s ohledem na dlouhodobou udržitelnost. V tomto kurzu uvidíš, jak přesunutí perspektivy od inženýrství strojového učení k MLOps (Machine Learning Operations) umožňuje modely trénovat, dokumentovat, udržovat a naplno využít jejich potenciál.

Většina dnešního obsahu souvisejícího s machine learningem se zaměřuje na trénování modelů a ladění parametrů, ale 90 % experimentálních modelů se nikdy nedostane do produkce, hlavně proto, že nebyly navrženy tak, aby vydržely. V tomto kurzu uvidíte, jak vám změna myšlení z myšlení strojového učení na myšlení MLOps (Machine Learning Operations) umožní trénovat, dokumentovat, udržovat a škálovat vaše modely na jejich plný potenciál.
Experimentujte a dokumentujte snadno
Experimentování s modely strojového učení je často zábavné, ale může být časově náročné. Zde se naučíte, jak navrhovat reprodukovatelné experimenty, které tento proces urychlí, a zároveň psát dokumentaci pro sebe i své kolegy, aby budoucí práce na pipeline byla hračka.
Vytvářejte modely MLOps pro produkční nasazení
Naučíte se osvědčené postupy pro balení a serializaci modelů i prostředí pro produkční nasazení, aby modely vydržely co nejdéle.
Zvyšte úroveň a automatizujte své ML pipeline
Zohledněním složitosti modelu a dat i průběžné automatizace můžete zajistit, že vaše modely budou škálovány pro produkční použití a budou monitorovány a nasazeny během okamžiku.

Po absolvování tohoto kurzu budete schopni navrhovat a vyvíjet modely strojového učení, které jsou připravené pro produkční nasazení, a průběžně je v průběhu času zlepšovat.

MLOps Concepts

Supervised Learning with scikit-learn

Přejděte na MLOps přístup pro efektivní trénink, dokumentaci, údržbu a škálování ML modelů.

Developing Machine Learning Models for Production

Přepněte na myšlení MLOps a naučte se trénovat, dokumentovat, spravovat a škálovat své modely strojového učení na maximum.

Základy MLOps

Stejné kreditní skóre a příjem, ale odlišné úrokové sazby

Dva kandidáti mají velmi podobnou kvalifikaci i zkušenosti, přesto je jeden vyřazen hned v prvním kole a druhý dostane práci.

Model ve zdravotnictví s menší pravděpodobností doporučuje účinnou léčbu lidem pracujícím v továrnách, protože by mohli způsobit příliš vysoké náklady.

Online reklamy zobrazující dobře placené pracovní příležitosti častěji mužům než ženám

Méně přesné výsledky pro osoby s tmavším odstínem pleti

Policie využívá technologii rozpoznávání obličejů, která je méně přesná pro určité skupiny osob, což vede k nesprávným zatčením

Klasifikace spravedlnosti

Developing Machine Learning Models for Production

Interaktivní praktické cvičení