First, you’ll learn about the core features of MLOps. You’ll explore the machine learning lifecycle, its phases, and the roles associated with MLOps processes.

What is MLOps?

Explaining MLOps

MLOps principles

Different phases in MLOps

The ML lifecycle

Tasks per phase

Roles in MLOps

Your MLOps team

Core roles in MLOps processes

Introduction to MLOps

Next, you’ll learn about the design and development phase in the machine learning lifecycle. You’ll explore added value estimation, data quality, feature stores, and experiment tracking.

MLOps design

Identifying business requirements

Key metrics

Data quality and ingestion

Determining data quality

Data quality dimensions

Feature engineering

Improving model performance

Helping a friend

Experiment tracking

What can we track?

Skipping experiment tracking

Design and Development

In this chapter, you’ll dive into the concepts relevant to deploying machine learning into production, such as runtime environments, containerization, CI/CD pipelines, and deployment strategies.

Preparing model for deployment

Runtime environments

To containerize or not to containerize

Machine learning deployment architecture

Microservice

API data flow

CI/CD and deployment strategy

CI/CD pipelines

Deployment strategies

Automation and scaling

How components automate and scale

MLOps components

Deploying Machine Learning into Production

Finally, you’ll learn about maintaining machine learning in production, with concepts such as statistical and computational monitoring, retraining, different levels of MLOps maturity, and tools that can be used within the machine learning lifecycle to simplify processes.

Monitoraggio dei modelli di apprendimento automatico

Monitoraggio dell'apprendimento automatico

Opzioni

Statistica

Computazionale

Monitoraggio statistico e computazionale

Riaddestramento di un modello di apprendimento automatico

Deriva dei dati

Deriva concettuale

Esempi di deriva

Riqualificazione

Livelli di maturità MLOps

Scadenza MLOps

Livello 1

Livello 2

Livello 3

Strumenti MLOps

Utilizzo di uno strumento

Tracciamento dell'esperimento

Contenitore di modelli

Monitoraggio

Scegli lo strumento giusto

Riconoscimento: Concetti MLOps

Maintaining Machine Learning in Production

Course Glossary

La comprensione delle Machine Learning Operations (MLOps) è essenziale per qualsiasi data scientist, ingegnere o leader che voglia portare i modelli di apprendimento automatico da un notebook locale a un modello funzionante in produzione. Questo corso ti introduce ai processi, alle fasi e ai livelli chiave di MLOps, tra cui la progettazione, lo sviluppo, la distribuzione e il monitoraggio. Scoprirai come l'automazione consente alle aziende di lanciare, monitorare e aggiornare in modo efficiente i modelli di apprendimento automatico.

<h2>Scopri le operazioni di Machine Learning (MLOps)</h2>
Comprendere i concetti di MLOps è essenziale per qualsiasi data scientist, ingegnere o leader che voglia portare i modelli di machine learning da un notebook locale a un modello funzionante in produzione.
<br><br>
In questo corso imparerai cos'è MLOps, comprenderai le diverse fasi dei processi MLOps e identificherai i vari livelli di maturità MLOps. Dopo aver acquisito i concetti essenziali di MLOps, sarai pronto a implementare il machine learning in modo continuo, affidabile ed efficiente.
<br><br>
<h2>Scopri come scalare e automatizzare il Machine Learning</h2>
Come possiamo scalare i progetti di machine learning riducendo al minimo tempo e risorse? E come possiamo automatizzare i processi per diminuire l’intervento manuale e migliorare le prestazioni dei modelli? Si tratta di domande fondamentali sul Machine Learning a cui MLOps fornisce una risposta.
<br><br>
In questo corso MLOps inizierai esplorando le basi, analizzando le caratteristiche principali e i ruoli coinvolti. Successivamente, approfondirai le varie fasi del ciclo di vita del machine learning.
<br><br>
Man mano che avanzerai, imparerai anche a conoscere i sistemi e gli strumenti per scalare e automatizzare le operazioni di machine learning, tra cui feature store, tracciamento degli esperimenti, pipeline CI/CD, microservizi e containerizzazione. Esplorerai i concetti chiave di MLOps, consolidando la comprensione delle loro applicazioni.

Understanding Machine Learning

Understanding Data Engineering

Scopri come MLOps porta i modelli di machine learning dalla teoria alla produzione con valore reale.

Concetti MLOps

Scopri come MLOps porta i modelli di machine learning da notebook locali a modelli funzionanti in produzione con reale valore aziendale.

Ingegnere AI associato per scienziati dei dati

Ingegnere dell'apprendimento automatico

Apprendimento automatico in produzione in Python

Fondamenti di MLOps

Nel 21% dei casi, il modello prevede erroneamente che le transazioni siano fraudolente.

Negli ultimi tre giorni, il modello prevede costantemente che un cliente si ritiri con una probabilità del 100%.

Circa il 55% dei dati in entrata proviene da clienti uomini.

In tre ore, il modello è stato in grado di elaborare 702 richieste.

Il server CPU è stato utilizzato solo per il 12% nell'ultima settimana.

Sembra che il modello sia stato offline per due ore lunedì mattina.

Monitoraggio statistico e computazionale

Concetti MLOps

Esercizio pratico interattivo