Melhor momento para começar a implantar

Você recebeu a tarefa de desenvolver um mecanismo de recomendação para um novo serviço de streaming.

Construir o modelo para esse caso de uso será um processo desafiador, e só o processo de experimentação e ajuste já pode ocupar toda a sua atenção.

Então, um dia, depois de vários meses, você conseguiu! A performance exigida foi alcançada, então vamos implantar essa maravilha!

Ok, mas onde? Como?

A realidade bate e você aprende, do jeito difícil, que focar demais no desenvolvimento pode deixar os preparativos de implantação em um ponto cego. Isso pode tornar todos os seus esforços completamente inúteis, porque você não pode simplesmente implantar qualquer modelo em qualquer plataforma: eles precisam estar alinhados. No fim, você leva mais três meses de desenvolvimento adicional para criar um pacote de modelo totalmente novo, pronto para implantação.

Mas agora você está mais esperto e sabe que o melhor momento para começar a preparar seu modelo e app de ML para implantação é:

Este exercício faz parte do curso

Implantação e ciclo de vida em MLOps

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Começar o exercício

Este exercício faz parte do curso

Implantação e ciclo de vida em MLOps

AvançadoNível de habilidade

4.8+

Iniciar curso de graça

Este capítulo oferece uma visão geral dos princípios de MLOps e dos componentes do framework importantes para implantação e ciclo de vida.

Exercise 1: O framework moderno de MLOps Exercise 2: Fluxos de trabalho de ML Exercise 3: Benefícios do MLOps Exercise 4: Etapas do ciclo de vida Exercise 5: Aplicativo vs. modelo Exercise 6: Descomissionamento Exercise 7: O ciclo de vida do modelo: revisão Exercise 8: Componentes de MLOps Exercise 9: Sequência automatizada Exercise 10: Stores e registries Exercise 11: DevOps ou MLOps?

Este capítulo é dedicado a todas as considerações que precisamos fazer já na fase de desenvolvimento para garantir uma transição tranquila quando chegarmos às operações. Nosso objetivo é explicar como treinar o modelo seguindo as melhores práticas de MLOps e construir um pacote de modelo que permita implantação fluida, reprodutibilidade e monitoramento pós-implantação.

Exercise 1: Desenvolvimento orientado ao deployment Exercise 2: Testando seu modelo de machine learning Exercise 3: Melhor momento para começar a implantar

Exercício atual

Exercise 4: Profiling, versionamento e feature stores Exercise 5: Propriedades de feature stores Exercise 6: Benefícios de profiling e feature store Exercise 7: Garantindo reprodutibilidade Exercise 8: Pipelines de construção de modelos em CI/CD Exercise 9: Pipelines diferentes Exercise 10: Propriedades da pipeline de build do modelo Exercise 11: Integração com CI/CD Exercise 12: Empacotamento de modelo Exercise 13: Formatos de modelo Exercise 14: Pacote completo

Este capítulo trata de questões críticas de operações de modelos, como: - Quais são as diferentes formas de servir nossos modelos? - O que é uma API e quais são suas funcionalidades essenciais? - Como testamos nosso serviço a fundo antes de disponibilizá-lo aos usuários finais? - Como atualizamos modelos em produção sem interromper o serviço? Você vai aprender sobre predição em lote, predição em tempo real, validação de dados de entrada e saída, testes de unidade, testes de integração, implantação canário e muito mais.

Exercise 1: Modos de serviço Exercise 2: Offline ou online?Exercise 3: Quando o tempo importa — um pouco Exercise 4: Construindo a API Exercise 5: Cliente-servidor Exercise 6: Funcionalidades da API Exercise 7: Progressão de implantação e testes Exercise 8: Que teste é esse?Exercise 9: Progressão entre ambientes Exercise 10: Testes por ambiente Exercise 11: Estratégias de implantação de modelos Exercise 12: Uma estratégia de deploy adequada Exercise 13: Ordem de risco Exercise 14: Sombra da sombra

Este capítulo final é dedicado ao monitoramento e à manutenção de serviços de ML após a implantação, além da governança de modelos. Você vai abordar conceitos cruciais, como latência de verificação, covariate shift, concept drift, sistemas com humano no ciclo e mais.

Exercise 1: Monitorando serviços de ML Exercise 2: Shift vs drift Exercise 3: Latência Exercise 4: Já?Exercise 5: Monitoramento e alertas Exercise 6: O sistema de monitoramento Exercise 7: Alertas Exercise 8: Manutenção de modelos Exercise 9: Centrado em dados vs. centrado no modelo Exercise 10: Humano no Loop Exercise 11: Governança de modelos Exercise 12: Elementos de governança Exercise 13: Estágios de governança Exercise 14: Classificação de risco Exercise 15: Encerramento