Metadados em MLOps

No vídeo anterior, você aprendeu a definição de metadados: as informações sobre a execução dos diferentes componentes de um pipeline de ML.

Neste exercício, você vai escolher a opção que contém exemplos de metadados.

A machine learning pipeline is presented. The pipeline has the following steps: data extraction, data validation, model training, model evaluation, and model validation.

Este exercicio faz parte do curso

MLOps totalmente automatizado

Ver curso

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

MLOps totalmente automatizado

IntermediárioNível de habilidade

4.8+

323 reviews

Comece o curso gratuitamente

Neste primeiro capítulo, vamos motivar o uso de MLOps em um contexto industrial. Você vai aprender sobre sua importância para apoiar a geração de valor nos negócios. Também vai revisar as etapas de ML, com foco em como o MLOps as aprimora. Ao final do capítulo, você explorará uma arquitetura de referência para um sistema de MLOps totalmente automatizado. Em seguida, usará essa arquitetura para explorar componentes importantes para qualquer sistema de MLOps e como ponto de partida para o restante do curso.

Exercise 1: Introdução ao MLOps totalmente automatizado Exercise 2: Dívida técnica oculta precisa ser paga Exercise 3: A dívida técnica oculta em ML é diferente Exercise 4: Etapas do ciclo de vida de MLOps Exercise 5: MLOps totalmente automatizado Exercise 6: Automatizar ou não automatizar...Exercise 7: Construindo para escalar Exercise 8: Arquitetura de referência: MLOps totalmente automatizado Exercise 9: Arquiteturas de referência em TI e MLOps Exercise 10: Componentes da arquitetura de MLOps

Neste capítulo, você vai continuar explorando os componentes críticos que compõem um sistema de MLOps totalmente automatizado. Primeiro, você vai analisar a importância da orquestração em MLOps e como ela ajuda a garantir a eficiência e a escalabilidade de pipelines de ML. Depois disso, você vai examinar as diferentes estratégias de implantação em MLOps e aprender a escolher a estratégia certa para o seu sistema. Por fim, você aprenderá sobre CI/CD/CT/CM e como isso complementa a orquestração e as boas práticas para alcançar automação total em sistemas de MLOps. Com essas lições, você estará mais preparado para construir um sistema de MLOps totalmente automatizado que seja eficiente, preciso e confiável.

Exercise 1: Rastreamento automatizado de experimentos Exercise 2: O que devemos rastrear?Exercise 3: O grande debate sobre rastreamento de experimentos: de que lado você está?Exercise 4: O que estamos rastreando aqui?Exercise 5: O registro de modelos Exercise 6: Não jogue o modelo por cima do muro!Exercise 7: O ciclo de vida do modelo de ML Exercise 8: Isso é trabalho para o registro de modelos!Exercise 9: O feature store em uma arquitetura de MLOps totalmente automatizada Exercise 10: Uma vantagem de usar um feature store Exercise 11: Os papéis do feature store Exercise 12: O repositório de metadados Exercise 13: Metadados em MLOps

Exercicio Atual

Exercise 14: Retreinamento de modelo com o repositório de metadados Exercise 15: O papel do repositório de metadados no monitoramento em MLOps

Neste capítulo, você vai mergulhar no mundo da automação e aprender a projetar sistemas de ML mais resilientes e eficientes. Você começará entendendo os fundamentos da automação em sistemas de MLOps e, em seguida, descobrirá o poder de padrões de design e mecanismos de fail-safe. Você também vai aprender a implementar testes automatizados em sistemas de MLOps e a usar ajuste de hiperparâmetros para otimizar seus modelos e fluxos de trabalho. Ao final deste capítulo, você estará equipado com as habilidades e o conhecimento necessários para construir e gerenciar sistemas de MLOps totalmente automatizados que sejam ao mesmo tempo eficientes e confiáveis.

Exercise 1: Apresentando automação completa e boas práticas em MLOps Exercise 2: Automação em fluxos de trabalho de MLOps Exercise 3: Graus de automação em MLOps Exercise 4: O padrão de automação, monitoramento e resposta a incidentes Exercise 5: Isso é um padrão de projeto?Exercise 6: Re-treinar, fazer rollback ou imputar?Exercise 7: Testes automatizados em MLOps Exercise 8: Garbage in - Garbage out... Aplique testes de dados!Exercise 9: Testes: Tradicionais vs. MLOps Exercise 10: Testes: dados vs. modelo vs. pipeline Exercise 11: Ajuste automatizado de hiperparâmetros Exercise 12: Parâmetro ou hiperparâmetro?Exercise 13: O papel da otimização de hiperparâmetros em MLOps Exercise 14: Automatizando a busca de hiperparâmetros

Neste capítulo final, você vai se aprofundar nos componentes essenciais de uma arquitetura de MLOps automatizada. Desde entender o rastreamento automatizado de experimentos e o registro de modelos até explorar o feature store e o papel do repositório de metadados, este capítulo foi elaborado para oferecer uma compreensão abrangente das nuances de um sistema de MLOps totalmente automatizado. Seja você uma pessoa experiente em ML ou esteja apenas começando, este capítulo vai fornecer o conhecimento e as habilidades necessárias para projetar fluxos de trabalho de MLOps automatizados.

Exercise 1: Orquestração em MLOps Exercise 2: Por que devemos modularizar?Exercise 3: Orquestração: dev vs. prod Exercise 4: DAGs em fluxos de trabalho de MLOps Exercise 5: Aspectos de orquestração em MLOps Exercise 6: Automação em estratégias de deployment de MLOps Exercise 7: Que tipo de deployment é este?Exercise 8: Esta é a estratégia de deployment certa?Exercise 9: Mantendo zero downtime com uma implantação blue/green Exercise 10: CI/CD/CT/CM em MLOps totalmente automatizado Exercise 11: Como CI/CD/CT/CM contribuem para o MLOps?Exercise 12: Continuous monitoring & continuous training Exercise 13: CI/CD/CT/CM em MLOps Exercise 14: Resumo