Tradiční software vs. MLOps

Tradiční software závisí na vstupních datech mnohem méně než aplikace strojového učení a jeho výstupy jsou zpravidla deterministické – tedy předvídatelné. Provoz a monitoring modelů strojového učení je proto výrazně náročnější.

Toto cvičení je součástí kurzu

MLOps for Business

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

MLOps for Business

SkillTag.level.beginnerSkillTag.label

4.9+

Začněte kurz zdarma

První kapitola tě seznámí s MLOps a vysvětlí, proč je nezbytné pro firmy, které chtějí souběžně navrhovat, vyvíjet a provozovat více aplikací strojového učení. Dozvíš se o hlavních prvcích MLOps, jako je škálování a automatizace, o jeho přínosech a o tom, proč MLOps stále představuje výzvu. Prozkoumáš také, co obnáší zahájení cesty s MLOps – jak z technologického, tak z manažerského pohledu.

Exercise 1: Co je MLOps?Exercise 2: MLOps: soubor postupů pro ...Exercise 3: Jaké jsou charakteristiky MLOps?Exercise 4: Byznysové argumenty pro MLOps Exercise 5: Relevantní oblasti MLOps Exercise 6: Jak investovat do MLOps Exercise 7: Důvody pro investici do MLOps Exercise 8: Základy MLOps Exercise 9: Členové MLOps týmu Exercise 10: Předpoklady MLOps Exercise 11: Prvky MLOps

Ve druhé kapitole se seznámíš s celým životním cyklem MLOps – od návrhu přes vývoj a nasazení až po provoz. Zjistíš, proč je monitoring klíčový pro produktivní aplikace strojového učení a proč je nutné modely strojového učení pravidelně přetrénovat.

Exercise 1: MLOps od začátku do konce Exercise 2: Deset důležitých kroků životního cyklu MLOps Exercise 3: Hlavní fáze MLOps aplikace Exercise 4: Klíčové úkoly v hlavních fázích MLOps Exercise 5: Fáze návrhu Exercise 6: Odkládání úkolů z fáze návrhu Exercise 7: Plán pro úspěch: návrh MLOps projektu Exercise 8: Fáze vývoje Exercise 9: Vývojové úkoly Exercise 10: Role ve fázi vývoje Exercise 11: Monitorování, přetrénování a nahrazování MLOps aplikací Exercise 12: Vlastnosti životního cyklu MLOps Exercise 13: Individuální odpovědnosti při vývoji MLOps projektu Exercise 14: Životní cyklus MLOps

Ve třetí kapitole přejdeš od teorie k praxi a objevíš hlavní výzvy a rizika spojená s nasazením modelů strojového učení. Dozvíš se také, jak úspěšně fungují MLOps týmy a co může management udělat pro úspěšné škálování strojového učení.

Exercise 1: Obchodní výzvy a rizika spojená s MLOps Exercise 2: Co dělá MLOps náročným?Exercise 3: Tradiční software vs. MLOps

Aktuální cvičení

Exercise 4: Potenciální obchodní rizika MLOps Exercise 5: Jak MLOps týmy skutečně fungují Exercise 6: Týmy ve stylu DevOps Exercise 7: Výzvy při zavádění MLOps Exercise 8: Současný stav MLOps Exercise 9: Nepravdivé tvrzení o MLOps Exercise 10: Proč je MLOps náročné

Závěrečná kapitola ti ukáže, jak úspěšně nastartovat MLOps cestu ve tvé firmě – probereme osvědčené postupy i úskalí, kterým se vyplatí vyhnout. Na závěr se podíváš na různé úrovně zralosti MLOps a kurz zakončíš případovou studií z praxe o návrhu, vývoji a provozu aplikace strojového učení pro kritické produkční procesy.

Exercise 1: Jak se stát plně připravenou firmou v oblasti MLOps Exercise 2: Platná MLOps KPI Exercise 3: Seřaď úrovně zralosti nasazení Exercise 4: Zralost MLOps Exercise 5: Osvědčené postupy a úskalí MLOps Exercise 6: Co je potřeba testovat?Exercise 7: (Ne)osvědčený postup Exercise 8: Případová studie MLOps: Zvyšování zisku s pomocí MLOps Exercise 9: Klíčové body případové studie Exercise 10: Shrnutí