Role w fazie rozwoju

Faza rozwoju aplikacji MLOps składa się z czterech etapów: przygotowania danych, budowania modelu, oceny modelu oraz testowania i weryfikacji.

Nadal odpowiadasz za opracowanie systemu wczesnego ostrzegania dla Finance 2050. Twój zespół składa się z trzech osób: badacza danych, inżyniera danych i inżyniera oprogramowania. Teraz musisz przydzielić zadania poszczególnym członkom projektu.

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

Bieżące ćwiczenie

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 Exercise 10: Podsumowanie