Dismissione

Hai imparato che, prima o poi, tutti i modelli arrivano alla fine del loro ciclo di vita, quando devono essere “ritirati” e sostituiti con nuovi.

Questo si chiama dismissione e andrebbe fatto per buone ragioni, alcune delle quali abbiamo menzionato nell’ultimo video.

Al contrario, quale delle seguenti NON sarebbe una buona ragione per ritirare il tuo modello attuale?

Questo esercizio fa parte del corso

Deployment e ciclo di vita in MLOps

Visualizza corso

esercizio interattivo pratico

Trasforma la teoria in pratica con uno dei nostri esercizi interattivi

Inizia esercizio

Questo esercizio fa parte del corso

Deployment e ciclo di vita in MLOps

AvançadoNível de habilidade

4.8+

Inizia il corso gratuitamente

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.

Exercise 1: Il framework MLOps moderno Exercise 2: Workflow di ML Exercise 3: Vantaggi di MLOps Exercise 4: Fasi del ciclo di vita Exercise 5: App vs. modello Exercise 6: Dismissione

Esercizio attuale

Exercise 7: Il ciclo di vita del modello: riepilogo Exercise 8: Componenti di MLOps Exercise 9: Sequenza automatizzata Exercise 10: Store e registry Exercise 11: DevOps o MLOps?

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.

Exercise 1: Sviluppo guidato dal deployment Exercise 2: Testare il tuo modello di Machine Learning Exercise 3: Il momento migliore per iniziare il deployment Exercise 4: Profilazione, versioning e feature store Exercise 5: Proprietà dei feature store Exercise 6: Vantaggi di profiling e feature store Exercise 7: Garantire la riproducibilità Exercise 8: Pipeline di build del modello in CI/CD Exercise 9: Pipeline diverse Exercise 10: Proprietà della model build pipeline Exercise 11: Integrazione CI/CD Exercise 12: Impacchettamento del modello Exercise 13: Formati di modelli Exercise 14: Pacchetto completo

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.

Exercise 1: Modalità di serving Exercise 2: Offline o online?Exercise 3: Quando il tempo conta - ma non troppo Exercise 4: Creare l'API Exercise 5: Client-server Exercise 6: Funzionalità dell'API Exercise 7: Progressione del deployment e test Exercise 8: Che test è?Exercise 9: Progressione tra gli ambienti Exercise 10: Test per ambiente Exercise 11: Strategie di deployment del modello Exercise 12: Una strategia di deployment adatta Exercise 13: Ordine di rischio Exercise 14: L'ombra dell'ombra

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.

Exercise 1: Monitorare i servizi di ML Exercise 2: Shift vs drift Exercise 3: Latenza Exercise 4: Già?Exercise 5: Monitoraggio e avvisi Exercise 6: Il sistema di monitoraggio Exercise 7: Alerting Exercise 8: Manutenzione del modello Exercise 9: Data-centric vs Model-centric Exercise 10: Human-in-the-Loop Exercise 11: Governance del modello Exercise 12: Elementi della governance Exercise 13: Fasi della governance Exercise 14: Classificazione del rischio Exercise 15: Riepilogo