Este capítulo ofrece una visión general de alto nivel de los principios de MLOps y de los componentes del marco importantes para el despliegue y el ciclo de vida.

El marco moderno de MLOps

Flujos de trabajo de ML

Beneficios de MLOps

Fases del ciclo de vida

Aplicación vs. modelo

Retirada

El ciclo de vida del modelo: recapitulación

Componentes de MLOps

Secuencia automatizada

Almacenes y registros

¿DevOps o MLOps?

MLOps en pocas palabras

Este capítulo está dedicado a todas las consideraciones que debemos tener ya en la fase de desarrollo para garantizar que todo fluya cuando lleguemos a operaciones.

Nuestro objetivo final es explicar cómo entrenar el modelo siguiendo las mejores prácticas de MLOps y construir un paquete de modelo que facilite un despliegue fluido, la reproducibilidad y la monitorización tras el despliegue.

Desarrollo orientado al despliegue

Probar tu modelo de Machine Learning

Mejor momento para empezar a desplegar

Perfilado, versionado y almacenes de características

Propiedades de los feature stores

Ventajas del profiling y de los feature stores

Garantizar la reproducibilidad

Pipelines de construcción de modelos en CI/CD

Pipelines diferentes

Propiedades de la model build pipeline

Integración CI/CD

Empaquetado de modelos

Formatos de modelo

Paquete completo

Desarrollar para desplegar

Este capítulo aborda cuestiones críticas de operaciones de modelos como:
- ¿De qué formas podemos servir nuestros modelos?
- ¿Qué es una API y cuáles son sus funcionalidades clave?
- ¿Cómo probamos a fondo nuestro servicio antes de ponerlo a disposición de las personas usuarias finales?
- ¿Cómo actualizamos modelos en producción sin interrumpir el servicio?

Aprenderás sobre predicción por lotes, predicción en tiempo real, validación de datos de entrada y salida, pruebas unitarias, pruebas de integración, despliegue canario y mucho más.

Modos de servicio

¿Offline u online?

Cuando el tiempo importa... un poco

Crear la API

Cliente-servidor

Funcionalidades de la API

Progresión del despliegue y pruebas

¿Qué tipo de prueba es?

Progresión entre entornos

Pruebas por entorno

Estrategias de despliegue de modelos

Una estrategia de despliegue adecuada

Orden de riesgo

La sombra de la sombra

Desplegar y ejecutar

Este capítulo final está dedicado a la monitorización y el mantenimiento de servicios de ML después de su despliegue, así como a la gobernanza de modelos.

Verás conceptos clave como latencia de verificación, cambio de covariables, deriva de concepto, sistemas con intervención humana y más.


Supervisión de servicios de Machine Learning

Opciones

Verdadero

Falso

Shift vs drift

Latencia

¿Ya?

Supervisión y alertas

El sistema de monitorización

Alertas

Mantenimiento del modelo

Enfoque centrado en los datos

Enfoque centrado en el modelo

Centrado en datos vs. centrado en modelo

Human-in-the-Loop

Gobernanza de modelos

Options

In the scope of model governance

Not in the scope of model governance

Elementos de gobernanza

Diseño

Desarrollo

Operaciones

Fases de la gobernanza

Clasificación del riesgo

Resumen

Monitorizar y mantener

Explora el marco moderno de MLOps, incluido el ciclo de vida y el despliegue de modelos de Machine Learning. En este curso, aprenderás a escribir código de ML que minimice la deuda técnica, descubrirás las herramientas necesarias para desplegar y monitorizar tus modelos, y revisarás los distintos tipos de entornos y analíticas con los que te encontrarás.

Después de recopilar, preparar y etiquetar tus datos, ejecutar numerosos experimentos con diferentes modelos y validar tu concepto con un modelo campeón, llega el siguiente paso. Construir. Desplegar. Monitorizar. Mantener. Ese es el ciclo de vida de tu modelo cuando está destinado a producción. Esa es la parte Ops de MLOps.

Este curso te mostrará cómo navegar el segundo capítulo del viaje de tu modelo hacia la entrega de valor, marcando el estándar para muchos más por venir.

<h2>Implementación y ciclo de vida de MLOps</h2>

Explora el marco moderno de MLOps, incluyendo el ciclo de vida y la implementación de modelos de machine learning. En este curso, aprenderás a escribir código ML que minimice la deuda técnica, descubrirás las herramientas que necesitarás para implementar y supervisar tus modelos, y examinarás los diferentes tipos de entornos y análisis con los que te encontrarás.

<h2>Más información sobre el ciclo de vida de MLOps</h2>
Una vez que hayas recopilado, preparado y etiquetado tus datos, realizado numerosos experimentos con diferentes modelos y demostrado tu concepto con un modelo campeón, es hora de pasar a los siguientes pasos. Construye Implementar. Monitor. Mantener. Ese es el ciclo de vida de tu modelo una vez que está destinado a la producción. Esa es la parte de operaciones (Ops) de MLOps.

Este curso te enseñará cómo navegar por el segundo capítulo del viaje de tu modelo hacia la entrega de valor, estableciendo el punto de referencia para muchos más que vendrán. Comenzarás explorando el ciclo de vida de MLOps, descubriendo la importancia de MLOps y los componentes funcionales clave para el desarrollo, la implementación, la supervisión y el mantenimiento de modelos.
<h2>Desarrollar código ML para su implementación</h2>
A continuación, aprenderás a desarrollar modelos para su implementación y a escribir código de ML eficaz, aprovechar herramientas y entrenar canalizaciones de ML. A medida que avances, aprenderás cómo implementar tus modelos, explorando diferentes entornos de implementación y cuándo utilizarlos. También desarrollarás estrategias para sustituir los modelos de producción existentes y examinarás las API.
<h2>Aprende a supervisar tus modelos</h2>
A medida que completes el curso, descubrirás las métricas de rendimiento cruciales que hay detrás de la supervisión y el mantenimiento de tus modelos de aprendizaje automático. Aprenderás sobre la supervisión de desviaciones en la producción, así como sobre la retroalimentación de modelos, las actualizaciones y la gobernanza.

Cuando termines, comprenderás cómo puedes utilizar el ciclo de vida de MLOps para implementar tus propios modelos en producción.


MLOps Concepts

En este curso, explorarás el marco MLOps moderno, el ciclo de vida y despliegue de modelos de ML.

Despliegue y ciclo de vida en MLOps

En este curso, explorarás el marco moderno de MLOps y analizarás el ciclo de vida y la implementación de los modelos de machine learning. 

Resumen

Create Your Free Account