Kluczowe wnioski ze studium przypadku

W ostatnim filmie tego kursu omówiliśmy projekt dotyczący przewidywania temperatury wody chłodzącej. Projekt ten powstał w odpowiedzi na ograniczenia produkcyjne podczas europejskiej fali upałów latem 2018 roku. Choć ogólnie zakończył się sukcesem, nie osiągnęliśmy najwyższego poziomu dojrzałości według modelu Microsoftu.

To ćwiczenie jest częścią kursu

MLOps dla biznesu

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

MLOps dla biznesu

SkillTag.level.beginnerSkillTag.label

4.9+

Rozpocznij kurs za darmo

Pierwszy rozdział wprowadza w zagadnienia MLOps i wyjaśnia, dlaczego jest on niezbędny dla firm, które chcą jednocześnie projektować, tworzyć i utrzymywać wiele aplikacji uczenia maszynowego. Poznasz główne elementy MLOps – takie jak skalowanie i automatyzacja – oraz jego korzyści, a także dowiesz się, dlaczego wdrożenie MLOps nadal bywa wyzwaniem. Sprawdzisz też, co jest potrzebne do rozpoczęcia tej drogi – zarówno od strony technologicznej, jak i zarządczej.

Exercise 1: Czym jest MLOps?Exercise 2: MLOps: zestaw praktyk służących do ...Exercise 3: Jakie są cechy charakterystyczne MLOps?Exercise 4: Biznesowe argumenty za MLOps Exercise 5: Powiązane dziedziny MLOps Exercise 6: Jak inwestować w MLOps Exercise 7: Powody, by inwestować w MLOps Exercise 8: Budowanie fundamentów MLOps Exercise 9: Członkowie zespołu MLOps Exercise 10: Warunki wstępne MLOps Exercise 11: Elementy MLOps

W drugim rozdziale poznasz pełny cykl życia MLOps – od projektowania, przez tworzenie i wdrożenie, po utrzymanie operacyjne. Dowiesz się, dlaczego monitorowanie jest kluczowe dla produktywnych aplikacji uczenia maszynowego i dlaczego modele należy regularnie ponownie trenować.

Exercise 1: MLOps od początku do końca Exercise 2: Dziesięć ważnych kroków cyklu życia MLOps Exercise 3: Główne etapy aplikacji MLOps Exercise 4: Kluczowe zadania w głównych etapach MLOps Exercise 5: Faza projektowania Exercise 6: Odkładanie zadań fazy projektowania Exercise 7: Plan na sukces: projektowanie projektu MLOps Exercise 8: Faza tworzenia Exercise 9: Zadania fazy rozwoju Exercise 10: Role w fazie rozwoju Exercise 11: Monitorowanie, ponowne trenowanie i zastępowanie aplikacji MLOps Exercise 12: Cechy cyklu życia MLOps Exercise 13: Indywidualne obowiązki w realizacji przypadku użycia MLOps Exercise 14: Cykl życia MLOps

W trzecim rozdziale przejdziesz od teorii do praktyki i poznasz główne wyzwania oraz ryzyka związane z wdrażaniem modeli uczenia maszynowego. Dowiesz się również, jak skutecznie działają zespoły MLOps i co kadra zarządzająca może zrobić, aby wspierać pomyślne skalowanie uczenia maszynowego.

Exercise 1: Wyzwania biznesowe i ryzyka związane z MLOps Exercise 2: Co sprawia, że MLOps jest wyzwaniem?Exercise 3: Tradycyjne oprogramowanie a MLOps Exercise 4: Potencjalne ryzyka biznesowe MLOps Exercise 5: Jak skutecznie działają zespoły MLOps Exercise 6: Zespoły w stylu DevOps Exercise 7: Wyzwania we wdrażaniu MLOps Exercise 8: Stan MLOps dziś Exercise 9: Fałszywe stwierdzenie dotyczące MLOps Exercise 10: Dlaczego MLOps jest trudny?

Ostatni rozdział pokaże ci, jak sprawnie rozpocząć wdrożenie MLOps w swojej firmie – omawiając dobre praktyki i błędy, których warto unikać. Na koniec przeanalizujesz różne poziomy dojrzałości MLOps i podsumowanie kursu w postaci rzeczywistego studium przypadku: projektowania, tworzenia i utrzymywania aplikacji uczenia maszynowego w krytycznych procesach produkcyjnych.

Exercise 1: Jak firmy mogą osiągnąć pełną gotowość na MLOps Exercise 2: Trafne KPI dla MLOps Exercise 3: Uporządkuj etapy dojrzałości wdrożeń Exercise 4: Dojrzałość MLOps Exercise 5: Najlepsze praktyki i pułapki MLOps Exercise 6: Co powinniśmy testować?Exercise 7: (Nie)najlepsza praktyka Exercise 8: Studium przypadku MLOps: zwiększanie zysków dzięki MLOps Exercise 9: Kluczowe wnioski ze studium przypadku

Bieżące ćwiczenie

Exercise 10: Podsumowanie