Ten rozdział zawiera ogólny przegląd zasad MLOps oraz komponentów frameworka istotnych dla wdrażania modeli i zarządzania ich cyklem życia.

Nowoczesny framework MLOps

Procesy ML

Korzyści z MLOps

Etapy cyklu życia modelu

Aplikacja a model

Wycofanie modelu

Cykl życia modelu: podsumowanie

Komponenty MLOps

Zautomatyzowana sekwencja

Magazyny i rejestry

DevOps czy MLOps?

MLOps w pigułce

Ten rozdział poświęcony jest wszystkim kwestiom, które warto uwzględnić już na etapie programowania, aby zapewnić płynne przejście do operacji.

Naszym głównym celem jest wyjaśnienie, jak trenować model zgodnie z najlepszymi praktykami MLOps oraz jak zbudować pakiet modelu umożliwiający sprawne wdrożenie, odtwarzalność i monitorowanie po wdrożeniu.

Rozwój zorientowany na wdrożenie

Testowanie modelu uczenia maszynowego

Najlepszy moment na rozpoczęcie wdrożenia

Profilowanie, wersjonowanie i magazyny cech

Opcje

Prawda

Fałsz

Właściwości magazynu cech

Magazyn cech (feature store)

Profilowanie danych

Korzyści z profilowania i magazynów cech

Zapewnianie odtwarzalności

Potoki budowania modeli w CI/CD

Potok modelu

Potok BUDOWANIA modelu

Różne potoki

Właściwości potoku budowania modelu

Źródła danych wejściowych potoku

Miejsce przechowywania wyników potoku

Integracja z CI/CD

Pakowanie modelu

Formaty modeli

Pakiet modelu

Poza pakietem modelu

Kompletny pakiet

Programowanie z myślą o wdrożeniu

Ten rozdział odpowiada na kluczowe pytania dotyczące operacji na modelach, takie jak:
- Jakie są różne sposoby serwowania modeli?
- Czym jest API i jakie są jego główne funkcjonalności?
- Jak dokładnie przetestować serwis przed udostępnieniem go użytkownikom końcowym?
- Jak aktualizować modele w środowisku produkcyjnym bez przerywania działania serwisu?

Poznasz predykcję wsadową, predykcję w czasie rzeczywistym, walidację danych wejściowych i wyjściowych, testy jednostkowe, testy integracyjne, wdrożenie kanaryjne i wiele więcej.

Tryby serwowania modeli

Offline czy online?

Kiedy czas ma znaczenie – ale nie aż tak

Budowanie API

Klient-serwer

Funkcjonalności API

Wdrażanie – postęp i testowanie

Który to test?

Kolejność środowisk

Testy w poszczególnych środowiskach

Strategie wdrażania modeli

Dobór strategii wdrożenia

Kolejność ryzyka

Cień cienia

Wdrożenie i uruchomienie

Ten ostatni rozdział poświęcony jest monitorowaniu i utrzymaniu serwisów ML po ich wdrożeniu, a także zarządzaniu modelami.

Omówisz kluczowe pojęcia, takie jak opóźnienie weryfikacji, przesunięcie kowariancji, dryfowanie konceptu, systemy z człowiekiem w pętli i wiele innych.


Monitorowanie usług uczenia maszynowego

Covariate shift a concept drift

Opóźnienie weryfikacji

Już?

Monitorowanie i alerty

System monitorowania

Alerty

Utrzymanie modelu

Podejście skoncentrowane na danych vs. na modelu

Człowiek w pętli

Zarządzanie modelami

Elementy zarządzania modelem

Etapy zarządzania modelami

Klasyfikacja ryzyka

Podsumowanie

Monitorowanie i utrzymanie

Poznaj nowoczesne podejście do MLOps – w tym cykl życia i wdrażanie modeli uczenia maszynowego. W tym kursie nauczysz się pisać kod ML minimalizujący dług techniczny, poznasz narzędzia potrzebne do wdrażania i monitorowania modeli oraz zapoznasz się z różnymi typami środowisk i analityki.

Po zebraniu, przygotowaniu i oznaczeniu danych, przeprowadzeniu wielu eksperymentów na różnych modelach i potwierdzeniu koncepcji modelem mistrzowskim nadchodzi czas na kolejne kroki: budowanie, wdrażanie, monitorowanie i utrzymanie. To właśnie cykl życia modelu przeznaczonego do produkcji – czyli część „Ops" w MLOps.

Ten kurs pokaże ci, jak przeprowadzić model przez drugi etap jego drogi do dostarczania wartości i jak wyznaczać standardy dla kolejnych projektów.

<h2>Wdrażanie i cykl życia MLOps</h2>

Poznaj nowoczesne ramy MLOps, w tym cykl życia i wdrażanie modeli uczenia maszynowego. W tym kursie nauczysz się pisać kod ML, który minimalizuje dług techniczny, poznasz narzędzia potrzebne do wdrażania i monitorowania modeli oraz przeanalizujesz różne typy środowisk i analiz, z którymi się spotkasz.

<h2>Poznaj cykl życia MLOps</h2>
Po zebraniu, przygotowaniu i oznaczeniu danych, przeprowadzeniu licznych eksperymentów na różnych modelach oraz potwierdzeniu koncepcji za pomocą modelu zwycięskiego, czas na kolejne kroki. Buduj. Wdrażanie. Monitor. Maintain. To jest cykl życia Twojego modelu, gdy jest przeznaczony do wdrożenia produkcyjnego. To jest część Ops w MLOps.

Ten kurs pokaże Ci, jak przejść przez drugi rozdział podróży Twojego modelu do dostarczania wartości, wyznaczając punkt odniesienia dla wielu kolejnych. Zaczniesz od poznania cyklu życia MLOps, odkrywając znaczenie MLOps oraz kluczowe funkcjonalne komponenty potrzebne do tworzenia, wdrażania, monitorowania i utrzymania modeli.
<h2>Twórz kod ML do wdrożenia</h2>
Następnie nauczysz się, jak tworzyć modele do wdrożenia oraz jak pisać efektywny kod ML, wykorzystywać narzędzia i trenować pipeline’y ML. W miarę postępów nauczysz się wdrażać swoje modele, poznając różne środowiska wdrożeniowe i dowiadując się, kiedy z nich korzystać. Nauczysz się także strategii zastępowania istniejących modeli produkcyjnych oraz poznasz interfejsy API.
<h2>Dowiedz się, jak monitorować swoje modele</h2>
W miarę ukończania kursu odkryjesz kluczowe wskaźniki wydajności stojące za monitorowaniem i utrzymywaniem Twoich modeli ML. Dowiesz się o monitorowaniu driftu w środowisku produkcyjnym, a także o feedbacku modelu, aktualizacjach i zarządzaniu.

Po ukończeniu kursu zrozumiesz, jak wykorzystać cykl życia MLOps do wdrażania własnych modeli w środowisku produkcyjnym.


MLOps Concepts

Na tym kursie poznasz nowoczesne MLOps, cykl życia i wdrażanie modeli uczenia maszynowego.

Wdrażanie i cykl życia modeli MLOps

W tym kursie poznasz nowoczesne ramy MLOps, cykl życia i wdrażanie modeli uczenia maszynowego. 

Rozwój zorientowany na wdrożenie

Create Your Free Account