Ein MLOps-Workflow

In dieser Übung wendest du einige Kubernetes-Konzepte auf einen MLOps-Workflow an.

Das Data-Science-Team in deinem Unternehmen verwendet einen Algorithmus, um ungewöhnlich hohe Werte (Ausreißer) in einer Zeitreihe eines IoT-Geräts zu erkennen. Dieser Algorithmus wird laufend verbessert, wodurch häufig neue Versionen als Docker-Images entstehen. Deine Aufgabe ist es, diese Algorithmen in Produktion zu bringen und das Data-Science-Team dabei zu unterstützen, die Leistung der einzelnen Versionen zu testen.

Folgendes wurde vorbereitet:

• Die eigentlichen Daten zum Ausführen des Erkennungsalgorithmus (data.csv), die in ein Docker-Image kopiert werden
• Zwei verschiedene Versionen des Ausreißererkennungs-Algorithmus (detect_outliers_*.py)
• Zwei Dockerfiles zum Erstellen von zwei Images mit diesen unterschiedlichen Versionen (Dockerfile.outlier_detection_*)
• Ein Bash-Skript zum Vorbereiten und Hochladen der Images (01_images.sh)
• Ein Kubernetes-Manifest namens 02_pods_outlier-detection.yml, mit dem du die Algorithmen zur Ausreißererkennung bereitstellen wirst.