DevOps atau MLOps?

Pada video sebelumnya, Anda telah melihat bahwa MLOps adalah perluasan dari kerangka kerja DevOps, bukan subkumpulan atau alternatifnya.

Karena itu, Anda perlu memahami konsep mana yang dimiliki bersama oleh DevOps dan MLOps dan mana yang khusus untuk MLOps.

Pada latihan ini, tugas Anda adalah menempatkan setiap konsep ke dalam kelompok yang sesuai: DevOps+MLOps untuk konsep bersama dan MLOps untuk yang khusus ML.

Semoga sukses!

Latihan ini merupakan bagian dari kursus

Penyebaran dan Siklus Hidup MLOps

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Latihan ini merupakan bagian dari kursus

Penyebaran dan Siklus Hidup MLOps

SkillTag.level.advancedSkillTag.label

4.8+

Mulai Kursus Gratis

Bab ini memberikan gambaran tingkat tinggi tentang prinsip-prinsip MLOps dan komponen kerangka kerja yang penting untuk penyebaran dan siklus hidup.

Exercise 1: Kerangka kerja MLOps modern Exercise 2: Alur kerja ML Exercise 3: Manfaat MLOps Exercise 4: Tahapan siklus hidup Exercise 5: Aplikasi vs. model Exercise 6: Penghentian (Decommissioning)Exercise 7: Siklus hidup model: rangkuman Exercise 8: Komponen MLOps Exercise 9: Rangkaian otomatis Exercise 10: Penyimpanan dan registry Exercise 11: DevOps atau MLOps?

Latihan Saat Ini

Bab ini membahas semua pertimbangan yang perlu kita lakukan sejak tahap pengembangan, agar ketika memasuki tahap operasional semuanya berjalan mulus. Tujuan utama kita adalah menjelaskan cara melatih model menggunakan praktik terbaik MLOps dan membangun paket model yang memungkinkan penyebaran yang lancar, keterulangan, serta pemantauan pascapenyebaran.

Exercise 1: Pengembangan berorientasi deployment Exercise 2: Menguji model machine learning Anda Exercise 3: Waktu terbaik untuk mulai melakukan deployment Exercise 4: Profiling, versioning, dan feature store Exercise 5: Properti feature store Exercise 6: Manfaat profiling dan feature store Exercise 7: Memastikan reproduksibilitas Exercise 8: Pipa pembangunan model dalam CI/CD Exercise 9: Pipeline yang berbeda Exercise 10: Properti model build pipeline Exercise 11: Integrasi CI/CD Exercise 12: Pengemasan model Exercise 13: Format model Exercise 14: Paket lengkap

Bab ini membahas pertanyaan penting seputar operasi model, seperti: - Apa saja cara berbeda untuk menyajikan model kita? - Apa itu API, dan apa fungsi kuncinya? - Bagaimana kita menguji layanan secara menyeluruh sebelum tersedia bagi pengguna akhir? - Bagaimana kita memperbarui model di produksi tanpa mengganggu layanan? Anda akan mempelajari prediksi batch, prediksi waktu nyata, validasi data masukan dan keluaran, unit testing, integration testing, canary deployment, dan banyak lagi.

Exercise 1: Mode penyajian Exercise 2: Luring atau daring?Exercise 3: Ketika waktu penting — sedikit Exercise 4: Membangun API Exercise 5: Klien-server Exercise 6: Fungsionalitas API Exercise 7: Perkembangan deployment dan pengujian Exercise 8: Tes yang mana?Exercise 9: Progres melalui lingkungan Exercise 10: Pengujian per lingkungan Exercise 11: Strategi penerapan model Exercise 12: Strategi penerapan yang tepat Exercise 13: Urutan risiko Exercise 14: Bayangan dari bayangan

Bab terakhir ini membahas pemantauan dan pemeliharaan layanan ML setelah disebarkan, serta tata kelola model. Anda akan mempelajari konsep penting seperti verification latency, pergeseran kovariat, concept drift, sistem human-in-the-loop, dan lainnya.

Exercise 1: Memantau layanan ML Exercise 2: Shift vs drift Exercise 3: Latensi Exercise 4: Sudah?Exercise 5: Pemantauan dan peringatan Exercise 6: Sistem pemantauan Exercise 7: Peringatan (Alerting)Exercise 8: Pemeliharaan model Exercise 9: Data-centric vs Model-centric Exercise 10: Human-in-the-Loop Exercise 11: Tata kelola model Exercise 12: Elemen tata kelola Exercise 13: Tahapan tata kelola Exercise 14: Klasifikasi risiko Exercise 15: Penutup