Proces MLOps

To ćwiczenie skupia się na zastosowaniu wybranych koncepcji Kubernetes w procesie MLOps.

Zespół data science w twojej firmie korzysta z algorytmu wykrywającego nietypowo duże wartości (wartości odstające) w szeregach czasowych z urządzenia IoT. Algorytm jest stale udoskonalany, co prowadzi do częstych zmian i kolejnych wersji odpowiedniego obrazu Docker. Twoim zadaniem jest wdrożenie tych algorytmów na środowisko produkcyjne i pomoc zespołowi data science w porównaniu wydajności poszczególnych wersji.

Przygotowano następujące elementy:

• Dane do uruchomienia algorytmu wykrywania (data.csv), które zostaną skopiowane do obrazu Docker
• Dwie różne wersje algorytmu wykrywania wartości odstających (detect_outliers_*.py)
• Dwa pliki Dockerfile do tworzenia obrazów zawierających te różne wersje (Dockerfile.outlier_detection_*)
• Skrypt bash do przygotowania i przesłania obrazów (01_images.sh)
• Manifest Kubernetes o nazwie 02_pods_outlier-detection.yml, który posłuży do wdrożenia algorytmów wykrywania wartości odstających.