Een MLOps-workflow

Deze oefening gaat over het toepassen van enkele Kubernetes-concepten op een MLOps-workflow.

Het data science-team in je bedrijf gebruikt een algoritme om ongewoon grote waarden (outliers) te detecteren in een tijdreeks van een IoT-apparaat. Dit algoritme wordt continu verbeterd, wat vaak leidt tot nieuwe versies die als nieuwe Docker-images worden uitgebracht. Jouw taak is om hen te ondersteunen door deze algoritmes in productie te zetten en het data science-team te helpen de prestaties van de verschillende versies afzonderlijk te testen.

Het volgende is voorbereid:

• De data waarop je het detectie-algoritme draait (data.csv), die wordt gekopieerd in een Docker-image
• Twee verschillende versies van het outlier-detectie-algoritme (detect_outliers_*.py)
• Twee Dockerfiles om twee images te bouwen met deze verschillende versies (Dockerfile.outlier_detection_*)
• Een bash-script om de images voor te bereiden en te uploaden (01_images.sh)
• Een Kubernetes-manifest met de naam 02_pods_outlier-detection.yml, dat je gebruikt om de outlier-detectie-algoritmes te deployen.