このコースの最後の動画では、冷却水の需要を予測するプロジェクトを取り上げました。これは、2018年のヨーロッパの猛暑で生産に制約が生じたことを受けて開始されたものです。全体としては成功しましたが、Microsoft のモデルで定義される最高レベルの成熟度には到達しませんでした。
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
第1章では、MLOps の概要と、複数の Machine Learning アプリケーションを同時に設計・開発・運用したい企業になぜそれが必要なのかを紹介します。スケーリングや自動化といった MLOps の主要要素、その利点、そして依然として難しい点について学びます。さらに、技術面・マネジメント面の両方から、MLOps を始めるために何が必要かも探ります。
第2章では、設計、開発、デプロイ、運用まで、MLOps のライフサイクル全体を学びます。生産性の高い Machine Learning アプリケーションにモニタリングが不可欠な理由や、モデルを定期的に再学習（再トレーニング）する必要性についても解説します。
第3章では、理論から実践へと進み、Machine Learning モデルのデプロイにおける主な課題とリスクを明らかにします。さらに、MLOps チームがどのように成功裏に運用しているか、そしてマネジメントがスケーリングを後押しするためにできることを学びます。
最終章では、ベストプラクティスと避けるべき落とし穴を取り上げ、ビジネスの MLOps の取り組みをどのように軌道に乗せるかを示します。最後に、MLOps の成熟度レベルを確認し、重要な本番プロセス向けの Machine Learning アプリケーションを設計・開発・運用した実例のケーススタディでコースを締めくくります。
現在の演習
