Software tradicional vs. MLOps

Software tradicional depende muito menos dos dados de entrada do que aplicações de Machine Learning, e seus resultados são tipicamente determinísticos, ou seja, sabemos o que esperar. Operar e monitorar modelos de Machine Learning é, portanto, muito mais desafiador.

Este exercício faz parte do curso

MLOps para Negócios

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Começar o exercício

Este exercício faz parte do curso

MLOps para Negócios

InicianteNível de habilidade

4.8+

Iniciar curso de graça

Neste primeiro capítulo, você vai conhecer o MLOps e por que ele é necessário para empresas que querem projetar, desenvolver e operar múltiplas aplicações de machine learning ao mesmo tempo. Você aprenderá sobre os principais elementos do MLOps, como escalabilidade e automação, seus benefícios e por que o MLOps continua desafiador. Você também vai explorar o que é necessário para iniciar a jornada de MLOps, tanto do ponto de vista tecnológico quanto de gestão.

Exercise 1: O que é MLOps?Exercise 2: MLOps: um conjunto de práticas para ...Exercise 3: Quais são as características do MLOps?Exercise 4: Os argumentos de negócio para MLOps Exercise 5: Áreas relevantes para MLOps Exercise 6: Como investir em MLOps Exercise 7: Motivos para investir em MLOps Exercise 8: Lançando as bases para MLOps Exercise 9: Integrantes da equipe de MLOps Exercise 10: Pré-requisitos de MLOps Exercise 11: Elementos de MLOps

No segundo capítulo, você vai conhecer todo o ciclo de vida do MLOps, do design ao desenvolvimento, implantação e operação. Você vai entender por que o monitoramento é essencial para aplicações produtivas de machine learning e por que precisamos reentreinar modelos de machine learning regularmente.

Exercise 1: MLOps explicado de ponta a ponta Exercise 2: Dez etapas importantes do ciclo de vida de MLOps Exercise 3: As principais etapas de uma aplicação de MLOps Exercise 4: Tarefas importantes nas principais etapas de MLOps Exercise 5: A fase de design Exercise 6: Adiando tarefas da fase de design Exercise 7: Plano para o Sucesso: Projetando seu Projeto de MLOps Exercise 8: A fase de desenvolvimento Exercise 9: Tarefas de desenvolvimento Exercise 10: Papéis na fase de desenvolvimento Exercise 11: Monitoramento, re-treinamento e substituição de aplicações de MLOps Exercise 12: Características do ciclo de vida de MLOps Exercise 13: Responsabilidades individuais no desenvolvimento de um caso de uso de MLOps Exercise 14: O ciclo de vida de MLOps

No terceiro capítulo, você vai sair da teoria e ir para a prática, descobrindo os principais desafios e riscos de colocar modelos de machine learning em produção. Você também vai aprender como as equipes de MLOps operam com sucesso e o que a gestão pode fazer para promover o escalonamento bem-sucedido do machine learning.

Exercise 1: Desafios de negócio e riscos relacionados a MLOps Exercise 2: O que torna MLOps desafiador?Exercise 3: Software tradicional vs. MLOps

Exercício atual

Exercise 4: Riscos de negócios potenciais em MLOps Exercise 5: Como as equipes de MLOps operam com sucesso Exercise 6: Equipes no estilo DevOps Exercise 7: Desafios para implementar MLOps Exercise 8: O estado do MLOps hoje Exercise 9: Uma afirmação falsa sobre MLOps Exercise 10: Por que MLOps é desafiador

O capítulo final vai mostrar como dar os primeiros passos da jornada de MLOps do seu negócio com sucesso, abordando boas práticas e armadilhas a evitar. Por fim, você vai analisar os diferentes níveis de maturidade em MLOps e concluir o curso com um estudo de caso real sobre projetar, desenvolver e operar uma aplicação de machine learning para processos críticos de produção.

Exercise 1: Como as empresas podem ficar totalmente preparadas para MLOps Exercise 2: KPIs válidos de MLOps Exercise 3: Ordene a maturidade de deployment Exercise 4: Maturidade em MLOps Exercise 5: Boas práticas e armadilhas de MLOps Exercise 6: O que precisamos testar?Exercise 7: (Nem sempre) uma boa prática Exercise 8: Estudo de caso de MLOps: aumentando os lucros com MLOps Exercise 9: Pontos-chave do estudo de caso Exercise 10: Encerramento