This chapter will provide you with the skills and knowledge needed to move your machine learning models from the research and development phase into a production environment. You will learn about the process of moving from a research prototype to a reliable, scalable, and maintainable system.

Adopting an MLOps mindset

What is a key aspect of MLOps?

What is technical debt?

Writing maintainable ML code

Version control

Code organization

Writing effective ML documentation

Why document labeling methods?

MLOps best practices

Moving from Research to Production

In this chapter, you’ll learn about the importance of reproducibility in machine learning, and how to ensure that your models remain reproducible and reliable over time. You’ll explore various techniques and best practices that you can use to ensure the reproducibility of your models.

Designing reproducible experiments

ML reproducibility

Identifying Key Aspects for Reproducibility and Reliability

Sorting Reliability Elements

Sorting Aspects of Reproducibility and Documentation Practices

Feature engineering

Classifying Feature Engineering Goals & Techniques

Identifying Data Manipulation and Transformation Techniques

Feature selection

Data and model versioning

Model store

Versioning training data

Ensuring reproducibility

 Ensuring Reproducibility

In Chapter 3, you’ll examine the various challenges associated with deploying machine learning models into production environments. You’ll learn about the various approaches to deploying ML models in production and strategies for monitoring and maintaining ML models in production.

Packaging ML models

Goal of serialization and containerization

Model packaging order

Scalability

Scaling

Model complexity

Categorizing scaling techniques

Automation

Benefits of continuous delivery

CI/CD steps

Putting ML models into production

ML in Production Environments

In the final chapter, you’ll learn about the various ways to test machine learning pipelines and ensure they perform as expected. You’ll discover the importance of testing ML pipelines and learn techniques for testing and validating ML pipelines.

Keandalan model

Options

Testing Pipeline Readiness

Testing for Pipeline Staleness

Mengategorikan Strategi Pengujian untuk Kesiapan dan Keusangan Pipeline ML

Mengatasi Model Staleness dalam Pipeline Machine Learning

Menguji data

Memilih pengujian yang tepat

Pemeriksaan konsistensi

Pengujian model

Memprediksi customer lifetime value

Pilihan

Individual Fairness

Group Fairness

Mengklasifikasikan keadilan

Opsi

Pengujian Kode Penghasil Model

Pengujian Data

Pengujian Model

Menguji ML pipeline

Selamat!

Testing ML Pipelines

Sebagian besar konten terkait Machine Learning saat ini berfokus pada pelatihan model dan penyesuaian parameter, tetapi 90% model eksperimental tidak pernah masuk ke produksi, terutama karena tidak dibangun untuk berumur panjang. Dalam kursus ini, Anda akan melihat bagaimana mengubah pola pikir dari rekayasa Machine Learning ke MLOps (Machine Learning Operations) akan memungkinkan Anda melatih, mendokumentasikan, memelihara, dan meningkatkan skala model hingga mencapai potensi maksimalnya.

Sebagian besar konten terkait machine learning saat ini berfokus pada pelatihan model dan penyesuaian parameter, tetapi 90% model eksperimental tidak pernah sampai ke tahap produksi, terutama karena model-model tersebut tidak dirancang untuk bertahan lama. Dalam kursus ini, Anda akan melihat bagaimana mengubah pola pikir Anda dari pola pikir insinyur machine learning menjadi pola pikir MLOps (Machine Learning Operations) akan memungkinkan Anda untuk melatih, mendokumentasikan, memelihara, dan menskalakan model Anda hingga potensi maksimalnya.
Eksperimen dan Dokumentasikan dengan Mudah
Bereksperimen dengan model ML seringkali menyenangkan tetapi bisa memakan waktu. Di sini, Anda akan belajar cara merancang eksperimen yang dapat direproduksi untuk mempercepat proses ini sambil menulis dokumentasi untuk diri sendiri dan rekan tim Anda, sehingga pekerjaan di masa depan pada pipeline menjadi lebih mudah.
Bangun Model MLOps untuk Produksi
Anda akan mempelajari praktik terbaik untuk mengemas dan menserialisasi baik model maupun lingkungan untuk produksi guna memastikan bahwa model-model tersebut dapat bertahan selama mungkin.
Skalakan dan Otomatiskan Pipelines ML Anda
Dengan mempertimbangkan kompleksitas model dan data serta otomatisasi berkelanjutan, Anda dapat memastikan bahwa model-model Anda akan diskalakan untuk penggunaan produksi dan dapat dipantau serta diimplementasikan dalam sekejap.

Setelah Anda menyelesaikan kursus ini, Anda akan mampu merancang dan mengembangkan model pembelajaran mesin yang siap untuk diimplementasikan dalam produksi dan terus memperbaikinya seiring waktu.

MLOps Concepts

Supervised Learning with scikit-learn

Beralih ke pola pikir MLOps untuk melatih, mendokumentasikan, memelihara, dan menskalakan model ML Anda.

Mengembangkan Model Machine Learning untuk Produksi

Dasar-Dasar MLOps

Skor kredit dan pendapatan sama, tetapi suku bunga berbeda

Dua kandidat memiliki kualifikasi dan pengalaman yang sangat mirip, tetapi satu ditolak di putaran pertama sedangkan yang lain mendapatkan pekerjaan.

Model layanan kesehatan lebih kecil kemungkinannya merekomendasikan perawatan yang bermanfaat bagi orang yang bekerja di pabrik karena mereka mungkin menimbulkan terlalu banyak biaya.

Iklan online yang lebih sering menampilkan peluang kerja bergaji tinggi kepada pria dibandingkan wanita

Kurang akurat untuk orang dengan warna kulit lebih gelap

Polisi menggunakan teknologi pengenalan wajah yang kurang akurat untuk tipe individu tertentu, sehingga berakibat pada penangkapan yang keliru

Mengklasifikasikan keadilan

Mengembangkan Model Machine Learning untuk Produksi

Latihan interaktif praktis