To je práce pro registr modelů!

Do teď sis zopakoval/a koncept životního cyklu ML. Také ses naučil/a, že registr modelů je velmi důležitou součástí MLOps architektury, která ti umožňuje spravovat životní cyklus tvých modelů. Teď už chápeš, jak důležitou roli hraje registr modelů při podpoře experimentování v MLOps systémech.

V tomto cvičení budeš třídit sérii tvrzení týkajících se registru modelů. Rozhodni, zda jsou pravdivá, nebo nepravdivá.

Toto cvičení je součástí kurzu

Plně automatizované MLOps

Zobrazit kurz

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Plně automatizované MLOps

SkillTag.level.intermediateSkillTag.label

4.8+

339 reviews

Začněte kurz zdarma

V první kapitole si ukážeme, proč má MLOps smysl v průmyslovém prostředí. Dozvíš se, jak důležitou roli hraje při vytváření hodnoty pro firmy. Také si zopakuješ jednotlivé fáze ML a zaměříš se na to, jak je MLOps vylepšuje. Na konci kapitoly prozkoumáš referenční architekturu plně automatizovaného MLOps systému. Tato architektura ti poslouží jako výchozí bod pro zbytek kurzu a pomůže ti pochopit komponenty, které jsou pro každý MLOps systém zásadní.

Exercise 1: Úvod do plně automatizovaného MLOps Exercise 2: Skrytý technický dluh je třeba splatit Exercise 3: Skrytý technický dluh v ML je jiný Exercise 4: Fáze životního cyklu MLOps Exercise 5: Plně automatizovaný MLOps Exercise 6: Automatizovat, či neautomatizovat...Exercise 7: Stavět do velkého měřítka Exercise 8: Referenční architektura: plně automatizovaný MLOps Exercise 9: Referenční architektury v IT a MLOps Exercise 10: Komponenty architektury MLOps

V této kapitole budeš pokračovat v prozkoumávání klíčových komponent plně automatizovaného MLOps systému. Nejprve se podíváš na to, proč je orchestrace v MLOps tak důležitá a jak přispívá k efektivitě a škálovatelnosti ML pipeline. Poté prozkoumáš různé strategie nasazení v MLOps a naučíš se vybrat tu správnou pro svůj systém. Nakonec se seznámíš s CI/CD/CT/CM a zjistíš, jak tyto přístupy doplňují orchestraci a pomáhají dosáhnout plné automatizace v MLOps systémech. S těmito znalostmi budeš lépe připraven/a budovat plně automatizované MLOps systémy, které jsou efektivní, přesné a spolehlivé.

Exercise 1: Automatické sledování experimentů Exercise 2: Co bychom měli sledovat?Exercise 3: Velká debata o sledování experimentů: Na čí straně jsi?Exercise 4: Co vlastně sledujeme?Exercise 5: Model registry Exercise 6: Model se nepřehazuje přes plot!Exercise 7: Životní cyklus ML modelu Exercise 8: To je práce pro registr modelů!

Aktuální cvičení

Exercise 9: Feature store v automatizované MLOps architektuře Exercise 10: Výhoda použití feature store Exercise 11: Role feature store Exercise 12: Úložiště metadat Exercise 13: Metadata v MLOps Exercise 14: Přetrénování modelu s využitím metadata store Exercise 15: Role metadata store při monitorování MLOps

V této kapitole se ponoříš do světa automatizace a naučíš se navrhovat odolnější a efektivnější ML systémy. Začneš základy automatizace v MLOps systémech a postupně přejdeš k návrhových vzorům a mechanismům zajišťujícím bezpečné selhání. Dozvíš se také, jak implementovat automatizované testování v MLOps systémech a jak pomocí ladění hyperparametrů optimalizovat modely i pracovní postupy. Na konci kapitoly budeš mít dovednosti a znalosti potřebné k budování a správě plně automatizovaných MLOps systémů, které jsou zároveň efektivní i spolehlivé.

Exercise 1: Úvod do plné automatizace a osvědčených postupů v MLOps Exercise 2: Automatizace v MLOps workflows Exercise 3: Úrovně automatizace v MLOps Exercise 4: Vzor automatizace, monitorování a reakce na incidenty Exercise 5: Je tohle návrhový vzor?Exercise 6: Přetrénování, rollback nebo imputace?Exercise 7: Automatizované testování v MLOps Exercise 8: Garbage in – Garbage out... Aplikuj datové testy!Exercise 9: Testování: tradiční přístup vs. MLOps Exercise 10: Testování: data vs. model vs. pipeline Exercise 11: Automatické ladění hyperparametrů Exercise 12: Parametr, nebo hyperparametr?Exercise 13: Role ladění hyperparametrů v MLOps Exercise 14: Automatizace ladění hyperparametrů

V této závěrečné kapitole se podrobněji podíváš na klíčové komponenty automatizované MLOps architektury. Od automatizovaného sledování experimentů a registru modelů až po feature store a roli metadata store — tato kapitola ti poskytne ucelený přehled o fungování plně automatizovaného MLOps systému. Ať už máš s ML bohaté zkušenosti, nebo teprve začínáš, získáš znalosti a dovednosti potřebné k navrhování automatizovaných MLOps workflow.

Exercise 1: Orchestrace v MLOps Exercise 2: Proč modularizovat?Exercise 3: Orchestrace: vývoj vs. produkce Exercise 4: DAG v MLOps workflow Exercise 5: Aspekty orchestrace v MLOps Exercise 6: Automatizace v strategiích nasazení MLOps Exercise 7: O jaký typ nasazení se jedná?Exercise 8: Je toto ta správná strategie nasazení?Exercise 9: Nulový výpadek díky nasazení blue/green Exercise 10: CI/CD/CT/CM v plně automatizovaném MLOps Exercise 11: Jak CI/CD/CT/CM přispívají k MLOps?Exercise 12: Průběžné monitorování & průběžné trénování Exercise 13: CI/CD/CT/CM v MLOps Exercise 14: Shrnutí