Wzorzec automatyzacji, monitorowania i reagowania na incydenty

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

To ćwiczenie jest częścią kursu

W pełni zautomatyzowany MLOps

SkillTag.level.intermediateSkillTag.label

4.8+

373 reviews

Rozpocznij kurs za darmo

W pierwszym rozdziale poznasz zastosowanie MLOps w środowisku przemysłowym. Dowiesz się, dlaczego MLOps jest ważny dla tworzenia wartości biznesowej. Przypomnisz sobie etapy cyklu ML, ze szczególnym uwzględnieniem tego, jak MLOps je usprawnia. Na końcu rozdziału zapoznasz się z architekturą referencyjną w pełni zautomatyzowanego systemu MLOps. Następnie wykorzystasz tę architekturę do zbadania komponentów istotnych dla każdego systemu MLOps – stanowi ona również punkt wyjścia dla dalszej części kursu.

Exercise 1: Wprowadzenie do w pełni zautomatyzowanego MLOps Exercise 2: Ukryty dług techniczny trzeba spłacić Exercise 3: Ukryty dług techniczny w uczeniu maszynowym jest inny Exercise 4: Etapy cyklu życia MLOps Exercise 5: W pełni zautomatyzowany MLOps Exercise 6: Automatyzować czy nie automatyzować...Exercise 7: Budowanie z myślą o skali Exercise 8: Architektura referencyjna: w pełni zautomatyzowany MLOps Exercise 9: Architektury referencyjne w IT i MLOps Exercise 10: Komponenty architektury MLOps

W tym rozdziale będziesz kontynuować poznawanie kluczowych komponentów w pełni zautomatyzowanego systemu MLOps. Najpierw przyjrzysz się roli orkiestracji w MLOps i temu, jak wpływa ona na wydajność oraz skalowalność potoków ML. Następnie zbadasz różne strategie wdrażania w MLOps i nauczysz się dobierać odpowiednią strategię do swojego systemu. Na koniec poznasz CI/CD/CT/CM i dowiesz się, jak uzupełniają one orkiestrację oraz jakie dobre praktyki pozwalają osiągnąć pełną automatyzację w systemach MLOps. Dzięki tej wiedzy będziesz lepiej przygotowany do budowania w pełni zautomatyzowanych systemów MLOps, które są wydajne, dokładne i niezawodne.

Exercise 1: Automatyczne śledzenie eksperymentów Exercise 2: Co warto śledzić?Exercise 3: Wielka debata o śledzeniu eksperymentów: Po której stronie jesteś?Exercise 4: Co tu właściwie śledzimy?Exercise 5: Rejestr modeli Exercise 6: Nie przerzucaj modelu przez płot!Exercise 7: Cykl życia modelu ML Exercise 8: To zadanie dla rejestru modeli!Exercise 9: Feature store w zautomatyzowanej architekturze MLOps Exercise 10: Zaleta korzystania z magazynu cech Exercise 11: Rola feature store Exercise 12: Magazyn metadanych Exercise 13: Metadane w MLOps Exercise 14: Ponowne trenowanie modelu z wykorzystaniem magazynu metadanych Exercise 15: Rola magazynu metadanych w monitorowaniu MLOps

W tym rozdziale zagłębisz się w świat automatyzacji i nauczysz się projektować bardziej odporne i wydajne systemy ML. Zaczniesz od poznania podstaw automatyzacji w systemach MLOps, a następnie odkryjesz możliwości wzorców projektowych i mechanizmów zabezpieczających. Dowiesz się także, jak wdrożyć automatyczne testowanie w systemach MLOps oraz jak wykorzystać strojenie hiperparametrów do optymalizacji modeli i przepływów pracy. Po ukończeniu tego rozdziału będziesz dysponować wiedzą i umiejętnościami potrzebnymi do budowania i zarządzania w pełni zautomatyzowanymi systemami MLOps, które są zarówno wydajne, jak i niezawodne.

Exercise 1: Wprowadzenie do pełnej automatyzacji i najlepszych praktyk w MLOps Exercise 2: Automatyzacja w przepływach pracy MLOps Exercise 3: Poziomy automatyzacji w MLOps Exercise 4: Wzorzec automatyzacji, monitorowania i reagowania na incydenty

Bieżące ćwiczenie

Exercise 5: Czy to jest wzorzec projektowy?Exercise 6: Ponowne trenowanie, wycofanie czy imputacja?Exercise 7: Automatyczne testowanie w MLOps Exercise 8: Złe dane – złe wyniki... Stosuj testy danych!Exercise 9: Testowanie: tradycyjne vs. MLOps Exercise 10: Testowanie: dane, model i potok Exercise 11: Automatyczne strojenie hiperparametrów Exercise 12: Parametr czy hiperparametr?Exercise 13: Rola strojenia hiperparametrów w MLOps Exercise 14: Automatyzacja strojenia hiperparametrów

W tym ostatnim rozdziale zgłębisz kluczowe komponenty zautomatyzowanej architektury MLOps. Od automatycznego śledzenia eksperymentów i rejestru modeli, przez eksplorację magazynu cech, aż po rolę magazynu metadanych – rozdział ten zapewni ci kompleksowe zrozumienie zawiłości w pełni zautomatyzowanego systemu MLOps. Niezależnie od tego, czy masz już doświadczenie w uczeniu maszynowym, czy dopiero zaczynasz, zdobędziesz tu wiedzę i umiejętności potrzebne do projektowania zautomatyzowanych przepływów pracy MLOps.

Exercise 1: Orkiestracja w MLOps Exercise 2: Dlaczego warto stosować modularyzację?Exercise 3: Orkiestracja: środowisko dev a prod Exercise 4: DAG-i w przepływach pracy MLOps Exercise 5: Aspekty orkiestracji w MLOps Exercise 6: Automatyzacja w strategiach wdrażania MLOps Exercise 7: Jaki to rodzaj wdrożenia?Exercise 8: Czy to właściwa strategia wdrożenia?Exercise 9: Zerowy czas przestoju dzięki wdrożeniu blue/green Exercise 10: CI/CD/CT/CM w pełni zautomatyzowanym MLOps Exercise 11: Jak CI/CD/CT/CM wspiera MLOps?Exercise 12: Ciągłe monitorowanie i ciągłe trenowanie Exercise 13: CI/CD/CT/CM w MLOps Exercise 14: Podsumowanie