Questo capitolo offre una panoramica ad alto livello dei principi MLOps e dei componenti del framework importanti per il deployment e il ciclo di vita.

Il framework MLOps moderno

Workflow di ML

Vantaggi di MLOps

Fasi del ciclo di vita

App vs. modello

Dismissione

Il ciclo di vita del modello: riepilogo

Componenti di MLOps

Sequenza automatizzata

Store e registry

DevOps o MLOps?

MLOps in breve

Questo capitolo è dedicato a tutte le considerazioni da fare già in fase di sviluppo, per garantirti un percorso fluido quando arriverai alle operations.

Il nostro obiettivo finale è spiegare come addestrare il modello seguendo le best practice MLOps e costruire un pacchetto del modello che abiliti un deployment senza intoppi, la riproducibilità e il monitoraggio post-deployment.

Sviluppo guidato dal deployment

Testare il tuo modello di Machine Learning

Il momento migliore per iniziare il deployment

Profilazione, versioning e feature store

Proprietà dei feature store

Vantaggi di profiling e feature store

Garantire la riproducibilità

Pipeline di build del modello in CI/CD

Pipeline diverse

Proprietà della model build pipeline

Integrazione CI/CD

Impacchettamento del modello

Formati di modelli

Pacchetto completo

Sviluppare per il deployment

Questo capitolo affronta domande cruciali sulle operazioni del modello, come:
- In quali modi possiamo servire i nostri modelli?
- Che cos’è un’API e quali sono le sue funzionalità chiave?
- Come testiamo a fondo il nostro servizio prima di renderlo disponibile agli utenti finali?
- Come aggiorniamo i modelli in produzione senza interrompere il servizio?

Imparerai a conoscere le predizioni batch, le predizioni in tempo reale, la validazione dei dati in input e output, i test unitari, i test di integrazione, il canary deployment e molto altro.

Modalità di serving

Offline o online?

Quando il tempo conta - ma non troppo

Creare l'API

Client-server

Funzionalità dell'API

Progressione del deployment e test

Che test è?

Processo di Data Science

Progressione tra gli ambienti

Opzioni

Ambiente di sviluppo

Ambiente di test

Ambiente di staging

Test per ambiente

Strategie di deployment del modello

Una strategia di deployment adatta

Strategie di deployment

Ordine di rischio

L'ombra dell'ombra

Distribuire ed eseguire

Questo capitolo finale è dedicato al monitoraggio e alla manutenzione dei servizi ML dopo il deployment, oltre che alla governance del modello.

Tratterai concetti fondamentali come verification latency, covariate shift, concept drift, sistemi human-in-the-loop e altro ancora.


Monitorare i servizi di ML

Shift vs drift

Latenza

Già?

Monitoraggio e avvisi

Il sistema di monitoraggio

Alerting

Manutenzione del modello

Data-centric vs Model-centric

Human-in-the-Loop

Governance del modello

Elementi della governance

Fasi della governance

Classificazione del rischio

Riepilogo

Monitorare e mantenere

Esplora il moderno framework MLOps, inclusi il ciclo di vita e il deployment dei modelli di Machine Learning. In questo corso imparerai a scrivere codice ML che riduce il debito tecnico, a scoprire gli strumenti necessari per distribuire e monitorare i tuoi modelli e ad approfondire i diversi tipi di ambienti e le analitiche che incontrerai.

Dopo aver raccolto, preparato ed etichettato i dati, eseguito numerosi esperimenti su modelli diversi e validato il concetto con un modello campione, è il momento dei passaggi successivi. Build. Deploy. Monitor. Maintain. Questo è il ciclo di vita del tuo modello quando è destinato alla produzione. È la parte Ops di MLOps.

Questo corso ti mostrerà come affrontare il secondo capitolo del percorso del tuo modello verso la creazione di valore, fissando il benchmark per molti altri a venire.

<h2>Implementazione e ciclo di vita MLOps</h2>

Scopri il moderno framework MLOps, compreso il ciclo di vita e l'implementazione dei modelli di machine learning. In questo corso imparerai a scrivere codice ML che riduce al minimo il debito tecnico, scoprirai gli strumenti necessari per implementare e monitorare i tuoi modelli ed esaminerai i diversi tipi di ambienti e analisi che incontrerai.

<h2>Scopri il ciclo di vita MLOps</h2>
Dopo aver raccolto, preparato ed etichettato i tuoi dati, aver fatto un sacco di esperimenti su diversi modelli e aver dimostrato che la tua idea funziona con un modello vincente, è ora di passare alle fasi successive. Costruire Distribuisci. Monitorare. Mantenere. Questo è il ciclo di vita del tuo modello una volta che è pronto per la produzione. Questa è la parte Ops di MLOps.

Questo corso ti mostrerà come affrontare la seconda fase del percorso del tuo modello verso la creazione di valore, stabilendo uno standard di riferimento per molti altri che seguiranno. Inizierai esplorando il ciclo di vita di MLOps, scoprendo quanto sia importante MLOps e quali sono le parti fondamentali per sviluppare, implementare, monitorare e mantenere i modelli.
<h2>Sviluppare codice ML per la distribuzione</h2>
Poi, imparerai come creare modelli da usare e come scrivere codice ML che funzioni, usare gli strumenti e addestrare le pipeline ML. Man mano che vai avanti, imparerai come distribuire i tuoi modelli, scoprendo diversi ambienti di distribuzione e quando usarli. Svilupperai anche strategie per sostituire i modelli di produzione attuali e darai un'occhiata alle API.
<h2>Scopri come tenere d'occhio i tuoi modelli</h2>
Finendo il corso, scoprirai le metriche di performance fondamentali per monitorare e mantenere i tuoi modelli ML. Imparerai a monitorare la deriva nella produzione, oltre a cose come il feedback dei modelli, gli aggiornamenti e la governance.

Quando avrai finito, capirai come usare il ciclo di vita MLOps per mettere in produzione i tuoi modelli.


MLOps Concepts

In questo corso esplorerai il framework MLOps moderno, il ciclo di vita e il deployment dei modelli ML.

Deployment e ciclo di vita in MLOps

In questo corso scoprirai il moderno framework MLOps, esplorando il ciclo di vita e l'implementazione dei modelli di machine learning. 

Ingegnere dell'apprendimento automatico

Fondamenti di MLOps

Client-server

Deployment e ciclo di vita in MLOps

esercizio interattivo pratico