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.

Affidabilità del modello

Opzioni

Testing della prontezza della pipeline

Testing dell’obsolescenza della pipeline

Classificare le strategie di testing per la prontezza e l’obsolescenza della pipeline di ML

Affrontare l'obsolescenza del modello nelle pipeline di Machine Learning

Test dei dati

Scegliere il test giusto

Verifica di coerenza

Testare i modelli

Prevedere il customer lifetime value

Individual Fairness

Group Fairness

Classificare la fairness

Test del codice che produce il modello

Test dei modelli

Testare le pipeline di machine learning

Complimenti!

Testing ML Pipelines

Gran parte dei contenuti sul Machine Learning oggi si concentra sull’addestramento dei modelli e sulla messa a punto dei parametri, ma il 90% dei modelli sperimentali non arriva mai in produzione, soprattutto perché non sono progettati per durare. In questo corso vedrai come passare da una mentalità di machine learning engineering a una mentalità MLOps (Machine Learning Operations) ti permetta di addestrare, documentare, mantenere e scalare i tuoi modelli al massimo del loro potenziale.

Gran parte dei contenuti attuali sul machine learning si concentra sull'addestramento dei modelli e sulla regolazione dei parametri, ma il 90% dei modelli sperimentali non arriva mai alla produzione, soprattutto perché non sono stati progettati per durare nel tempo. In questo corso scoprirai come cambiare il tuo modo di pensare, passando da un approccio ingegneristico al machine learning a uno MLOps (Machine Learning Operations), ti permetterà di addestrare, documentare, mantenere e scalare i tuoi modelli al massimo delle loro potenzialità.
Sperimenta e documenta con facilità
Provare i modelli ML è spesso divertente, ma può richiedere un sacco di tempo. Qui imparerai come progettare esperimenti che si possono ripetere per velocizzare questo processo mentre scrivi la documentazione per te e i tuoi colleghi, rendendo il lavoro futuro sulla pipeline un gioco da ragazzi.
Crea modelli MLOps per la produzione
Imparerai le migliori pratiche per il packaging e la serializzazione sia dei modelli che degli ambienti di produzione, per garantire che i modelli durino il più a lungo possibile.
Scala e automatizza le tue pipeline ML
Tenendo conto della complessità dei modelli e dei dati e dell'automazione continua, puoi assicurarti che i tuoi modelli siano scalabili per l'uso in produzione e possano essere monitorati e implementati in un batter d'occhio.

Una volta finito questo corso, potrai progettare e sviluppare modelli di machine learning pronti per essere usati e migliorarli sempre di più nel tempo.

MLOps Concepts

Supervised Learning with scikit-learn

Adotta una mentalità MLOps per ottimizzare e scalare i tuoi modelli di machine learning.

Sviluppare modelli di Machine Learning per la produzione

Fondamenti di MLOps

Stesso punteggio di credito e stesso reddito, ma tassi d’interesse diversi

Due candidati hanno qualifiche ed esperienza estremamente simili, ma uno viene scartato al primissimo turno mentre l’altro ottiene il lavoro.

Un modello sanitario ha meno probabilità di raccomandare trattamenti utili a persone che lavorano in fabbrica perché potrebbero comportare troppi costi.

Annunci online che mostrano più spesso offerte di lavoro ben retribuite agli uomini rispetto alle donne

Meno accurato per persone con carnagioni più scure

La polizia usa una tecnologia di riconoscimento facciale meno accurata per alcuni tipi di persone, con conseguenti arresti ingiustificati

Classificare la fairness

Sviluppare modelli di Machine Learning per la produzione

Esercizio pratico interattivo