Ein MLOps Workflow

In dieser Übung geht es darum, einige Kubernetes-Konzepte auf einen MLOps-Workflow anzuwenden.

Das Data-Science-Team in deinem Unternehmen verwendet einen Algorithmus, um ungewöhnlich große Werte (Ausreißer) in einer Zeitreihe von einem IoT-Gerät zu erkennen. Dieser Algorithmus wird ständig verbessert, was zu häufigen Änderungen führt, die in neuen Versionen des jeweiligen Docker-Images landen. Deine Aufgabe ist es, sie zu unterstützen, indem du diese Algorithmen in die Produktion überführst und dem Data Science Team dabei hilfst, die individuelle Leistung der Versionen zu testen.

Das Folgende ist vorbereitet worden:

• Die eigentlichen Daten, gegen die der Erkennungsalgorithmus laufen soll (data.csv), die in ein Docker-Image kopiert werden
• Zwei verschiedene Versionen des Algorithmus zur Ausreißererkennung (detect_outliers_*.py)
• Zwei Dockerdateien zur Erstellung von zwei Images, die diese unterschiedlichen Versionen enthalten (Dockerfile.outlier_detection_*)
• Ein Bash-Skript zum Vorbereiten und Hochladen der Bilder (01_images.sh)
• Es gibt ein Kubernetes-Manifest namens 02_pods_outlier-detection.yml, mit dem du die Algorithmen zur Ausreißererkennung bereitstellen kannst.