Metadata dalam MLOps

Pada video sebelumnya, Anda mempelajari definisi metadata: informasi tentang eksekusi berbagai komponen dalam sebuah ML pipeline.

Dalam latihan ini, Anda akan memilih opsi yang memuat contoh-contoh metadata.

A machine learning pipeline is presented. The pipeline has the following steps: data extraction, data validation, model training, model evaluation, and model validation.

Latihan ini merupakan bagian dari kursus

MLOps Otomatis Penuh

Lihat Kursus

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Mulai latihan

Latihan ini merupakan bagian dari kursus

MLOps Otomatis Penuh

SkillTag.level.intermediateSkillTag.label

4.8+

323 reviews

Mulai Kursus Gratis

Pada bab pertama ini, kita memotivasi penggunaan MLOps dalam lingkungan industri. Anda akan mempelajari pentingnya MLOps dalam mendukung penciptaan nilai bagi bisnis. Anda juga akan meninjau kembali tahapan ML, dengan fokus pada bagaimana MLOps meningkatkan tiap tahapannya. Di akhir bab, Anda akan mengeksplorasi arsitektur referensi untuk sistem MLOps yang sepenuhnya otomatis. Anda kemudian akan menggunakan arsitektur ini untuk menelaah komponen-komponen penting bagi setiap sistem MLOps dan sebagai titik awal untuk sisa kursus.

Exercise 1: Pengantar MLOps yang Sepenuhnya Otomatis Exercise 2: Utang teknis tersembunyi harus dibayar Exercise 3: Utang teknis tersembunyi dalam ML itu berbeda Exercise 4: Tahapan siklus hidup MLOps Exercise 5: MLOps sepenuhnya terotomatisasi Exercise 6: Diotomatisasi atau tidak...Exercise 7: Membangun untuk skala Exercise 8: Arsitektur referensi: MLOps sepenuhnya otomatis Exercise 9: Arsitektur referensi dalam TI dan MLOps Exercise 10: Komponen arsitektur MLOps

Pada bab ini, Anda akan melanjutkan eksplorasi terhadap komponen-komponen krusial yang membentuk sistem MLOps yang sepenuhnya otomatis. Pertama, Anda akan meninjau pentingnya orkestrasi dalam MLOps dan bagaimana hal tersebut membantu memastikan efisiensi dan skalabilitas pipeline ML. Setelah itu, Anda akan memeriksa berbagai strategi penerapan dalam MLOps dan mempelajari cara memilih strategi yang tepat untuk sistem Anda. Terakhir, Anda akan mempelajari CI/CD/CT/CM serta bagaimana hal tersebut melengkapi orkestrasi dan praktik terbaik untuk mencapai otomasi penuh pada sistem MLOps. Dengan bekal pembelajaran ini, Anda akan lebih siap membangun sistem MLOps otomatis penuh yang efisien, akurat, dan andal.

Exercise 1: Pelacakan eksperimen otomatis Exercise 2: Apa yang perlu kita lacak?Exercise 3: Perdebatan besar soal pelacakan eksperimen: Anda di pihak yang mana?Exercise 4: Apa yang kita lacak di sini?Exercise 5: Model registry Exercise 6: Jangan melempar model begitu saja ke seberang!Exercise 7: Siklus hidup model ML Exercise 8: Ini tugas untuk model registry!Exercise 9: Feature store dalam arsitektur MLOps terotomatisasi Exercise 10: Salah satu keunggulan menggunakan feature store Exercise 11: Peran feature store Exercise 12: Penyimpanan metadata Exercise 13: Metadata dalam MLOps

Latihan Saat Ini

Exercise 14: Pelatihan ulang model dengan metadata store Exercise 15: Peran metadata store dalam pemantauan MLOps

Pada bab ini, Anda akan menyelami dunia otomasi yang menarik dan mempelajari cara merancang sistem ML yang lebih tangguh dan efisien. Anda akan mulai dengan memahami dasar-dasar otomasi dalam sistem MLOps, lalu berlanjut menemukan kekuatan pola perancangan dan mekanisme fail-safe. Anda juga akan mempelajari cara menerapkan pengujian otomatis dalam sistem MLOps serta menggunakan hyperparameter tuning untuk mengoptimalkan model dan alur kerja Anda. Pada akhir bab ini, Anda akan dibekali keterampilan dan pengetahuan yang diperlukan untuk membangun dan mengelola sistem MLOps otomatis penuh yang efisien dan andal.

Exercise 1: Memperkenalkan otomasi penuh dan praktik terbaik ke MLOps Exercise 2: Pola otomasi dalam alur kerja MLOps Exercise 3: Tingkat otomatisasi dalam MLOps Exercise 4: Pola otomatisasi, pemantauan, dan respons insiden Exercise 5: Apakah ini sebuah pola desain?Exercise 6: Latih ulang, rollback, atau imputasi?Exercise 7: Pengujian otomatis dalam MLOps Exercise 8: Input sampah - Output sampah... Terapkan pengujian data!Exercise 9: Pengujian: Tradisional vs. MLOps Exercise 10: Pengujian: Data vs. model vs. pipeline Exercise 11: Penyetelan hyperparameter otomatis Exercise 12: Parameter atau hyperparameter?Exercise 13: Peran hyperparameter tuning dalam MLOps Exercise 14: Mengotomatisasi penyetelan hyperparameter

Pada bab terakhir ini, Anda akan mendalami komponen-komponen krusial dari arsitektur MLOps otomatis. Mulai dari memahami pelacakan eksperimen otomatis dan model registry hingga mengeksplorasi feature store serta peran metadata store, bab ini dirancang untuk membekali Anda dengan pemahaman menyeluruh tentang seluk-beluk sistem MLOps otomatis penuh. Baik Anda praktisi ML berpengalaman maupun baru memulai, bab ini akan memberikan pengetahuan dan keterampilan yang diperlukan untuk merancang alur kerja MLOps otomatis.

Exercise 1: Orkestrasi dalam MLOps Exercise 2: Mengapa kita perlu memodularisasi?Exercise 3: Orchestration: dev vs. prod Exercise 4: DAG dalam alur kerja MLOps Exercise 5: Aspek orkestrasi dalam MLOps Exercise 6: Otomatisasi dalam strategi penerapan MLOps Exercise 7: Jenis deployment apakah ini?Exercise 8: Apakah ini strategi penerapan yang tepat?Exercise 9: Mempertahankan zero downtime dengan deployment blue/green Exercise 10: CI/CD/CT/CM dalam MLOps yang Sepenuhnya Terotomasi Exercise 11: Bagaimana CI/CD/CT/CM berkontribusi pada MLOps?Exercise 12: Continuous monitoring & continuous training Exercise 13: CI/CD/CT/CM dalam MLOps Exercise 14: Ringkasan