Ist das die richtige Deployment-Strategie?

Mittlerweile kennst du die verschiedenen Arten von Prediction-Service-Deployments: Batch, Stream, Echtzeit und Edge. Du weißt auch, dass es je nach Kontext deines Systems unterschiedliche Strategien gibt. In dieser Übung stellst du dir vor, ein Kollege kommt auf dich zu und bittet um Hilfe. Er baut ein automatisiertes MLOps-System, das Folgendes tun wird:

Vorhersagen im Batch ausführen
Die Vorhersage jeden Tag um Mitternacht ausführen
Teil eines nicht-kritischen Systems sein
Die Vorhersagen werden weder an Nutzer noch an ein anderes System ausgeliefert
Die Leistung der Vorhersagen wird evaluiert

Dein Kollege schlägt vor, eine Blue/Green-Deployment-Strategie zu verwenden. Was würdest du ihm empfehlen?

Diese Übung ist Teil des Kurses

Vollautomatisiertes MLOps

Kurs anzeigen

Interaktive Übung

In dieser interaktiven Übung kannst du die Theorie in die Praxis umsetzen.

Übung starten

Diese Übung ist Teil des Kurses

Vollautomatisiertes MLOps

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

259 reviews

Kurs kostenlos starten

In diesem ersten Kapitel motivieren wir den Einsatz von MLOps im industriellen Umfeld. du lernst, warum es wichtig ist, um Wertschöpfung in Unternehmen zu unterstützen. Außerdem frischst du die ML-Phasen auf und fokussierst darauf, wie MLOps diese verbessert. Am Ende des Kapitels erkundest du eine Referenzarchitektur für ein vollautomatisiertes MLOps-System. Diese Architektur nutzt du anschließend, um Komponenten zu beleuchten, die für jedes MLOps-System wichtig sind – und als Ausgangspunkt für den Rest des Kurses dienen.

Exercise 1: Einführung in vollständig automatisiertes MLOps Exercise 2: Versteckte technische Schulden müssen beglichen werden Exercise 3: Versteckte technische Schulden in ML sind anders Exercise 4: Phasen des MLOps-Lebenszyklus Exercise 5: Vollautomatisiertes MLOps Exercise 6: Automatisieren oder nicht automatisieren ...Exercise 7: Für Skalierung bauen Exercise 8: Referenzarchitektur: Vollständig automatisiertes MLOps Exercise 9: Referenzarchitekturen in IT und MLOps Exercise 10: MLOps-Architekturkomponenten

In diesem Kapitel setzt du die Erkundung der zentralen Komponenten fort, aus denen ein vollautomatisiertes MLOps-System besteht. Zuerst betrachtest du die Bedeutung von Orchestrierung in MLOps und wie sie die Effizienz und Skalierbarkeit von ML-Pipelines sicherstellt. Danach schaust du dir verschiedene Deployment-Strategien in MLOps an und lernst, wie du die passende Strategie für dein System auswählst. Abschließend lernst du CI/CD/CT/CM kennen und wie es Orchestrierung und Best Practices ergänzt, um volle Automatisierung in MLOps-Systemen zu erreichen. Mit diesen Lektionen im Gepäck bist du besser gerüstet, ein vollautomatisiertes MLOps-System zu bauen, das effizient, präzise und zuverlässig ist.

Exercise 1: Automatisiertes Experiment-Tracking Exercise 2: Was sollten wir nachverfolgen?Exercise 3: Die große Debatte ums Experiment-Tracking: Auf welcher Seite stehst du?Exercise 4: Was tracken wir hier?Exercise 5: Das Modell-Register Exercise 6: Wirf das Modell nicht über den Zaun!Exercise 7: Der Lebenszyklus von ML-Modellen Exercise 8: Das ist ein Job für die Model Registry!Exercise 9: Der Feature Store in einer automatisierten MLOps-Architektur Exercise 10: Ein Vorteil der Nutzung eines Feature Stores Exercise 11: Die Rollen des Feature Stores Exercise 12: Der Metadaten-Store Exercise 13: Metadaten in MLOps Exercise 14: Modell‑Retraining mit dem Metadata Store Exercise 15: Die Rolle des Metadata-Stores beim Monitoring in MLOps

In diesem Kapitel tauchst du in die Welt der Automatisierung ein und lernst, widerstandsfähigere und effizientere ML-Systeme zu entwerfen. Du beginnst mit den Grundlagen der Automatisierung in MLOps-Systemen und entdeckst anschließend die Stärke von Entwurfsmustern und Fail-safe-Mechanismen. Außerdem lernst du, wie du automatisiertes Testen in MLOps-Systemen umsetzt und Hyperparameter-Tuning nutzt, um deine Modelle und Workflows zu optimieren. Am Ende dieses Kapitels verfügst du über das Wissen und die Fähigkeiten, vollautomatisierte MLOps-Systeme zu bauen und zu betreiben, die sowohl effizient als auch zuverlässig sind.

Exercise 1: Einführung in Vollautomatisierung und Best Practices für MLOps Exercise 2: Automatisierung in MLOps-Workflows Exercise 3: Automatisierungsgrade im MLOps Exercise 4: Das Muster für Automatisierung, Monitoring und Incident Response Exercise 5: Ist das ein Entwurfsmuster?Exercise 6: Retraining, Rollback oder Imputation?Exercise 7: Automatisiertes Testen in MLOps Exercise 8: Garbage in – Garbage out … wende Datentests an!Exercise 9: Testing: Traditionell vs. MLOps Exercise 10: Testing: Daten vs. Modell vs. Pipeline Exercise 11: Automatisches Hyperparameter-Tuning Exercise 12: Parameter oder Hyperparameter?Exercise 13: Die Rolle des Hyperparameter-Tunings in MLOps Exercise 14: Hyperparameter-Tuning automatisieren

In diesem letzten Kapitel vertiefst du die zentralen Komponenten einer automatisierten MLOps-Architektur. Von automatisiertem Experiment-Tracking und dem Model Registry über den Feature Store bis zur Rolle des Metadata Store: Dieses Kapitel vermittelt dir ein umfassendes Verständnis der Feinheiten eines vollautomatisierten MLOps-Systems. Egal, ob du bereits erfahren bist oder gerade erst anfängst – dieses Kapitel gibt dir das nötige Rüstzeug, um automatisierte MLOps-Workflows zu entwerfen.

Exercise 1: Orchestrierung in MLOps Exercise 2: Warum sollten wir modularisieren?Exercise 3: Orchestrierung: Dev vs. Prod Exercise 4: DAGs in MLOps-Workflows Exercise 5: Orchestrierungsaspekte in MLOps Exercise 6: Automatisierung in MLOps-Bereitstellungsstrategien Exercise 7: Welche Art von Deployment ist das?Exercise 8: Ist das die richtige Deployment-Strategie?

Aktuelle Übung

Exercise 9: Null Ausfallzeit mit einem Blue/Green Deployment beibehalten Exercise 10: CI/CD/CT/CM in vollständig automatisiertem MLOps Exercise 11: Wie tragen CI/CD/CT/CM zu MLOps bei?Exercise 12: Continuous Monitoring & Continuous Training Exercise 13: CI/CD/CT/CM in MLOps Exercise 14: Zusammenfassung