Korzyści z MLOps

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.

Exercise 1: Rozwój zorientowany na wdrożenie Exercise 2: Testowanie modelu uczenia maszynowego Exercise 3: Najlepszy moment na rozpoczęcie wdrożenia Exercise 4: Profilowanie, wersjonowanie i magazyny cech Exercise 5: Właściwości magazynu cech Exercise 6: Korzyści z profilowania i magazynów cech Exercise 7: Zapewnianie odtwarzalności Exercise 8: Potoki budowania modeli w CI/CD Exercise 9: Różne potoki Exercise 10: Właściwości potoku budowania modelu Exercise 11: Integracja z CI/CD Exercise 12: Pakowanie modelu Exercise 13: Formaty modeli Exercise 14: Kompletny pakiet

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.

Exercise 1: Tryby serwowania modeli Exercise 2: Offline czy online?Exercise 3: Kiedy czas ma znaczenie – ale nie aż tak Exercise 4: Budowanie API Exercise 5: Klient-serwer Exercise 6: Funkcjonalności API Exercise 7: Wdrażanie – postęp i testowanie Exercise 8: Który to test?Exercise 9: Kolejność środowisk Exercise 10: Testy w poszczególnych środowiskach Exercise 11: Strategie wdrażania modeli Exercise 12: Dobór strategii wdrożenia Exercise 13: Kolejność ryzyka Exercise 14: Cień cienia

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.

Exercise 1: Monitorowanie usług uczenia maszynowego Exercise 2: Covariate shift a concept drift Exercise 3: Opóźnienie weryfikacji Exercise 4: Już?Exercise 5: Monitorowanie i alerty Exercise 6: System monitorowania Exercise 7: Alerty Exercise 8: Utrzymanie modelu Exercise 9: Podejście skoncentrowane na danych vs. na modelu Exercise 10: Człowiek w pętli Exercise 11: Zarządzanie modelami Exercise 12: Elementy zarządzania modelem Exercise 13: Etapy zarządzania modelami Exercise 14: Klasyfikacja ryzyka Exercise 15: Podsumowanie