Dit hoofdstuk geeft een overzicht op hoofdlijnen van MLOps-principes en frameworkcomponenten die belangrijk zijn voor deployment en de levenscyclus.

Het moderne MLOps-framework

ML-workflows

Voordelen van MLOps

Fasen van de life cycle

App vs. model

Uitfaseren

De levenscyclus van het model: samenvatting

MLOps-componenten

Geautomatiseerde reeks

Stores en registries

DevOps of MLOps?

MLOps in een notendop

Dit hoofdstuk is gewijd aan alle overwegingen die we al in de ontwikkelfase moeten maken om te zorgen voor een soepele overgang zodra we in de operatie belanden.

Ons uiteindelijke doel is uit te leggen hoe je het model traint volgens MLOps best practices en een modelpakket bouwt dat soepele deployment, reproduceerbaarheid en monitoring na deployment mogelijk maakt.

Deployment-gedreven ontwikkeling

Je machine learning-model testen

Beste moment om te beginnen met deployen

Profiling, versiebeheer en feature stores

Opties

Waar

Onwaar

Eigenschappen van feature stores

Feature store

Dataprofilering

Voordelen van profilering en feature stores

Reproduceerbaarheid waarborgen

Model-buildpijplijnen in CI/CD

Modelpijplijn

Model BUILD-pijplijn

Verschillende pijplijnen

Eigenschappen van de model-buildpijplijn

Bronnen voor pipeline-input

Opslag voor pipeline-output

CI/CD-integratie

Modelverpakking

Modelformats

Modelpakket

Niet in modelpakket

Volledig pakket

Ontwikkelen voor deployment

Dit hoofdstuk behandelt kritieke vragen over modeloperaties, zoals:
- Op welke verschillende manieren kunnen we onze modellen aanbieden?
- Wat is een API en wat zijn de belangrijkste functies ervan?
- Hoe testen we onze service grondig voordat we die beschikbaar maken voor eindgebruikers?
- Hoe werken we modellen in productie bij zonder de service te verstoren?

Je leert over batchvoorspelling, realtime voorspelling, validatie van input- en outputdata, unit testing, integratietesten, canary deployment en nog veel meer.

Servicemodi

Offline of online?

Als tijd telt - een beetje

De API bouwen

Client-server

API-functionaliteiten

Uitrolfasen en testen

Welke test is het?

Voortgang door omgevingen

Tests per omgeving

Strategieën voor modeldeployment

Een passende deploymentstrategie

Volgorde van risico

Schaduw van de schaduw

Deployen en draaien

Dit laatste hoofdstuk is gericht op het monitoren en onderhouden van ML-services nadat ze zijn gedeployed, en op modelgovernance.

Je behandelt cruciale concepten zoals verification latency, covariate shift, concept drift, human-in-the-loop-systemen en meer.


ML-services monitoren

Shift versus drift

Latentie

Nu al?

Monitoring en alertering

Het monitoringsysteem

Waarschuwen

Modelonderhoud

Data-centric vs Model-centric

Human-in-the-Loop

Model governance

Elementen van governance

Fasen van governance

Risicoclassificatie

Afronding

Monitoren en onderhouden

Ontdek het moderne MLOps-framework, inclusief de levenscyclus en deployment van Machine Learning-modellen. In deze cursus leer je ML-code schrijven die technische schulden minimaliseert, ontdek je de tools die je nodig hebt om je modellen te deployen en te monitoren, en bekijk je de verschillende typen omgevingen en analyses die je tegenkomt.

Nadat je je data hebt verzameld, voorbereid en gelabeld, talloze experimenten op verschillende modellen hebt uitgevoerd en je concept hebt bewezen met een champion-model, is het tijd voor de volgende stappen. Bouwen. Deployen. Monitoren. Onderhouden. Dat is de levenscyclus van je model zodra het richting productie gaat. Dat is het Ops-gedeelte van MLOps.

Deze cursus laat je zien hoe je het tweede hoofdstuk van de reis van je model richting waardecreatie doorkomt, en daarmee de standaard zet voor de vele die volgen.

<h2>MLOps-implementatie en levenscyclusbeheer</h2>

Ontdek het moderne MLOps-framework, inclusief de levenscyclus en implementatie van machine learning-modellen. In deze cursus leer je ML-code schrijven die technische schulden minimaliseert, ontdek je de tools die je nodig hebt om je modellen te implementeren en te monitoren, en bekijk je de verschillende soorten omgevingen en analyses die je tegenkomt.

<h2>Meer info over de MLOps-levenscyclus</h2>
Nadat je je gegevens hebt verzameld, voorbereid en gelabeld, verschillende experimenten op verschillende modellen hebt uitgevoerd en je concept met een kampioensmodel hebt bewezen, is het tijd voor de volgende stappen. Bouwen Inzetten. Monitor. Onderhoud. Dat is de levenscyclus van je model zodra het klaar is voor productie. Dat is het Ops-gedeelte van MLOps.

Deze cursus laat je zien hoe je het tweede hoofdstuk van je model naar waardecreatie kunt doorlopen, waarmee je de lat legt voor nog veel meer toekomstige projecten. Je begint met het verkennen van de MLOps-levenscyclus, waarbij je het belang van MLOps en de belangrijkste functionele componenten voor modelontwikkeling, implementatie, monitoring en onderhoud ontdekt.
<h2>ML-code ontwikkelen voor implementatie</h2>
Vervolgens leer je hoe je modellen kunt ontwikkelen voor implementatie en hoe je effectieve ML-code kunt schrijven, tools kunt gebruiken en ML-pijplijnen kunt trainen. Naarmate je vordert, leer je hoe je je modellen kunt implementeren, verschillende implementatieomgevingen kunt verkennen en wanneer je deze kunt gebruiken. Je gaat ook strategieën bedenken om bestaande productiemodellen te vervangen en API's bekijken.
<h2>Leer hoe je je modellen kunt monitoren</h2>
Tijdens de cursus leer je de belangrijke prestatiestatistieken kennen die belangrijk zijn voor het monitoren en onderhouden van je ML-modellen. Je leert over driftmonitoring in productie, maar ook over modelfeedback, updates en governance.

Als je klaar bent, snap je hoe je de MLOps-levenscyclus kunt gebruiken om je eigen modellen in productie te zetten.


MLOps Concepts

In deze cursus verken je het moderne MLOps-framework en de levenscyclus van machine learning-modellen.

MLOps-deployments en levenscyclus

In deze cursus ga je aan de slag met het moderne MLOps-framework en leer je meer over de levenscyclus en implementatie van machine learning-modellen. 

Machine Learning Engineer

MLOps Fundamentals

Een feature store is een type database waarin gegevens zijn opgeslagen die specifiek zijn voorbereid voor ML-modellen.

Geavanceerde feature stores zijn geïmplementeerd als zogeheten dubbele databases: één om trainingsgegevens op te halen en één voor het doen van voorspellingen.

Feature stores helpen efficiëntie en consistentie te verbeteren, doordat je een feature één keer bouwt en deze vervolgens kunt hergebruiken voor verschillende modellen.

We kunnen ook getrainde modellen opslaan in een feature store.

Feature stores helpen ons modellen te monitoren die in productie zijn uitgerold.

Eigenschappen van feature stores

MLOps-deployments en levenscyclus

Interactieve oefening met praktijkervaring