Cosa stiamo tracciando qui?

Hai visto come l'uso dell'experiment tracking automatico ci aiuti a domare la complessità legata al vasto spazio di scelte nello sviluppo delle pipeline di ML. Hai imparato le diverse opzioni, i parametri e le metriche tra cui possiamo scegliere nelle varie fasi di una tipica pipeline di ML.

In questo esercizio deciderai se una serie di elementi deve essere registrata e tracciata dal tuo sistema automatico di experiment tracking oppure no.

Questo esercizio fa parte del corso

MLOps completamente automatizzato

Visualizza corso

esercizio interattivo pratico

Trasforma la teoria in pratica con uno dei nostri esercizi interattivi

Inizia esercizio

Questo esercizio fa parte del corso

MLOps completamente automatizzato

IntermediárioNível de habilidade

4.8+

323 reviews

Inizia il corso gratuitamente

In questo primo capitolo motiviamo l’uso di MLOps in un contesto industriale. Imparerai perché è importante per sostenere la generazione di valore nelle aziende. Ripasserai anche le fasi del ML, concentrandoti su come MLOps le potenzia. Alla fine del capitolo, esplorerai un’architettura di riferimento per un sistema MLOps completamente automatizzato. Userai poi questa architettura per analizzare i componenti importanti per qualsiasi sistema MLOps e come punto di partenza per il resto del corso.

Exercise 1: Introduzione a MLOps completamente automatizzato Exercise 2: Il debito tecnico nascosto va ripagato Exercise 3: Il debito tecnico nascosto nel ML è diverso Exercise 4: Fasi del ciclo di vita MLOps Exercise 5: MLOps completamente automatizzato Exercise 6: Automatizzare o non automatizzare...Exercise 7: Progettare per la scalabilità Exercise 8: Architettura di riferimento: MLOps completamente automatizzato Exercise 9: Architetture di riferimento in IT e MLOps Exercise 10: Componenti dell'architettura MLOps

In questo capitolo continuerai a esplorare i componenti critici che costituiscono un sistema MLOps completamente automatizzato. Per prima cosa, esaminerai l’importanza dell’orchestrazione in MLOps e come aiuta a garantire l’efficienza e la scalabilità delle pipeline di ML. Successivamente, analizzerai le diverse strategie di distribuzione in MLOps e imparerai a scegliere quella giusta per il tuo sistema. Infine, imparerai CI/CD/CT/CM e come queste pratiche completino l’orchestrazione e le buone pratiche per ottenere un’automazione completa nei sistemi MLOps. Con queste lezioni alle spalle, sarai più preparato a costruire un sistema MLOps completamente automatizzato che sia efficiente, accurato e affidabile.

Exercise 1: Monitoraggio automatizzato degli esperimenti Exercise 2: Cosa dovremmo tenere traccia?Exercise 3: Il grande dibattito sul tracciamento degli esperimenti: da che parte stai?Exercise 4: Cosa stiamo tracciando qui?

Esercizio attuale

Exercise 5: Il registry dei modelli Exercise 6: Non lanciare il modello oltre la recinzione!Exercise 7: Il ciclo di vita del modello di ML Exercise 8: Questo è un lavoro per il model registry!Exercise 9: Il feature store in un'architettura MLOps automatizzata Exercise 10: Un vantaggio dell’uso di un feature store Exercise 11: I ruoli del feature store Exercise 12: Il metadata store Exercise 13: Metadati in MLOps Exercise 14: Riaddestramento del modello con il metadata store Exercise 15: Il ruolo del metadata store nel monitoraggio in MLOps

In questo capitolo entrerai nel mondo dell’automazione e imparerai a progettare sistemi di ML più resilienti ed efficienti. Inizierai comprendendo i fondamenti dell’automazione nei sistemi MLOps, per poi scoprire la potenza dei pattern di progettazione e dei meccanismi fail-safe. Imparerai anche a implementare test automatizzati nei sistemi MLOps e a usare l’hyperparameter tuning per ottimizzare modelli e flussi di lavoro. Alla fine di questo capitolo, avrai le competenze e le conoscenze necessarie per creare e gestire sistemi MLOps completamente automatizzati che siano al tempo stesso efficienti e affidabili.

Exercise 1: Introduzione all'automazione completa e alle best practice per l'MLOps Exercise 2: Automazione nei workflow MLOps Exercise 3: Gradi di automazione in MLOps Exercise 4: Il pattern di automazione, monitoraggio e risposta agli incidenti Exercise 5: È un design pattern?Exercise 6: Retrain, rollback o imputazione?Exercise 7: Test automatizzati in MLOps Exercise 8: Garbage in - Garbage out... Applica test sui dati!Exercise 9: Testing: tradizionale vs. MLOps Exercise 10: Test: dati vs modello vs pipeline Exercise 11: Ottimizzazione automatizzata degli iperparametri Exercise 12: Parametro o iperparametro?Exercise 13: Il ruolo dell'hyperparameter tuning in MLOps Exercise 14: Automatizzare l’hyperparameter tuning

In questo capitolo finale approfondirai i componenti cruciali di un’architettura MLOps automatizzata. Dalla comprensione del tracciamento automatico degli esperimenti e del model registry all’esplorazione del feature store e del ruolo del metadata store, questo capitolo è pensato per darti una comprensione completa delle complessità di un sistema MLOps completamente automatizzato. Che tu sia un professionista ML esperto o agli inizi, questo capitolo ti fornirà le conoscenze e le abilità necessarie per progettare workflow MLOps automatizzati.

Exercise 1: Orchestrazione in MLOps Exercise 2: Perché dovremmo modularizzare?Exercise 3: Orchestrazione: dev vs. prod Exercise 4: DAG nei workflow di MLOps Exercise 5: Aspetti di orchestrazione in MLOps Exercise 6: Automazione nelle strategie di deployment MLOps Exercise 7: Che tipo di deployment è questo?Exercise 8: È la strategia di deployment giusta?Exercise 9: Mantenere zero downtime con un deployment blue/green Exercise 10: CI/CD/CT/CM in MLOps completamente automatizzato Exercise 11: In che modo CI/CD/CT/CM contribuisce all'MLOps?Exercise 12: Continuous monitoring & continuous training Exercise 13: CI/CD/CT/CM in MLOps Exercise 14: Riepilogo