1. Nauka
    2. /
  2. Kursy
    3. /
  3. Wprowadzenie do Kubernetes
Connected

ćwiczenie

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.

Instrukcje 1/4

undefined XP
    1
    2
    3
    4
  • Poświęć chwilę na przejrzenie plików Dockerfile (np. za pomocą cat). Zauważysz, że tym razem dane są pakowane razem z poszczególnymi wersjami algorytmu wykrywania wartości odstających do odpowiednich obrazów Docker.
  • Zbuduj obrazy Docker i prześlij je do swojego klastra Kubernetes, uruchamiając polecenie bash na skrypcie 01_images.sh.