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 exercicio faz parte do curso

MLOps para Negócios

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

MLOps para Negócios

InicianteNível de habilidade

4.9+

Comece o curso gratuitamente

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

Exercicio 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