Metadate în MLOps

În videoclipul anterior, ai învățat definiția metadatelor: informațiile despre execuția diferitelor componente ale unui flux ML.

În acest exercițiu, vei alege opțiunea care conține exemple de metadate.

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

Acest exercițiu face parte din cursul

MLOps complet automatizat

Vezi cursul

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

MLOps complet automatizat

SkillTag.level.intermediateSkillTag.label

4.8+

339 reviews

Începe cursul gratuit

În acest prim capitol, descoperim motivele pentru care MLOps este folosit în mediul industrial. Vei învăța despre importanța sa în generarea de valoare pentru afaceri. Vei recapitula și etapele ML, cu accent pe modul în care MLOps le îmbunătățește. La finalul capitolului, vei explora o arhitectură de referință pentru un sistem MLOps complet automatizat. Vei folosi această arhitectură pentru a analiza componentele importante ale oricărui sistem MLOps – un punct de plecare solid pentru restul cursului.

Exercise 1: Introducere în MLOps complet automatizat Exercise 2: Datoria tehnică ascunsă trebuie achitată Exercise 3: Datoria tehnică ascunsă în ML este diferită Exercise 4: Etapele ciclului de viață MLOps Exercise 5: MLOps complet automatizat Exercise 6: A automatiza sau a nu automatiza...Exercise 7: Construind la scară Exercise 8: Arhitectură de referință: MLOps complet automatizat Exercise 9: Arhitecturi de referință în IT și MLOps Exercise 10: Componentele arhitecturii MLOps

În acest capitol, îți continui explorarea componentelor esențiale ale unui sistem MLOps complet automatizat. Vei examina mai întâi importanța orchestrării în MLOps și modul în care aceasta contribuie la eficiența și scalabilitatea pipeline-urilor ML. Apoi vei analiza diferitele strategii de implementare din MLOps și vei învăța cum să alegi strategia potrivită pentru sistemul tău. În final, vei descoperi CI/CD/CT/CM și cum completează orchestrarea și bunele practici pentru a obține automatizare completă în sistemele MLOps. Cu aceste noțiuni, vei fi mai bine pregătit să construiești un sistem MLOps complet automatizat, eficient, precis și fiabil.

Exercise 1: Urmărirea automată a experimentelor Exercise 2: Ce ar trebui să urmărim?Exercise 3: Marea dezbatere despre urmărirea experimentelor: De ce parte ești?Exercise 4: Ce urmărim aici?Exercise 5: Registrul de modele Exercise 6: Nu arunca modelul peste gard!Exercise 7: Ciclul de viață al modelului ML Exercise 8: Acesta este un job pentru registrul de modele!Exercise 9: Feature store-ul într-o arhitectură MLOps automatizată Exercise 10: Un avantaj al utilizării unui feature store Exercise 11: Rolurile feature store-ului Exercise 12: Depozitul de metadate Exercise 13: Metadate în MLOps

Exercițiul curent

Exercise 14: Reantrenarea modelului cu ajutorul metadatastore-ului Exercise 15: Rolul metadata store-ului în monitorizarea MLOps

În acest capitol, vei pătrunde în lumea fascinantă a automatizării și vei învăța cum să proiectezi sisteme ML mai reziliente și mai eficiente. Vei începe prin a înțelege fundamentele automatizării în sistemele MLOps, apoi vei descoperi puterea tiparelor de proiectare și a mecanismelor de siguranță. Vei învăța, de asemenea, cum să implementezi testarea automată în sistemele MLOps și cum să folosești ajustarea hiperparametrilor pentru a-ți optimiza modelele și fluxurile de lucru. La finalul acestui capitol, vei avea abilitățile și cunoștințele necesare pentru a construi și gestiona sisteme MLOps complet automatizate, atât eficiente, cât și fiabile.

Exercise 1: Introducere în automatizarea completă și cele mai bune practici în MLOps Exercise 2: Automatizarea în fluxurile de lucru MLOps Exercise 3: Grade de automatizare în MLOps Exercise 4: Tiparul automatizare, monitorizare, răspuns la incidente Exercise 5: Este acesta un tipar de proiectare?Exercise 6: Reantrenare, revenire sau imputare?Exercise 7: Testare automată în MLOps Exercise 8: Gunoi la intrare - Gunoi la ieșire... Aplică teste pe date!Exercise 9: Testare: Tradițional vs. MLOps Exercise 10: Testare: date vs. model vs. pipeline Exercise 11: Optimizarea automată a hiperparametrilor Exercise 12: Parametru sau hiperparametru?Exercise 13: Rolul reglării hiperparametrilor în MLOps Exercise 14: Automatizarea ajustării hiperparametrilor

În acest capitol final, vei analiza în detaliu componentele esențiale ale unei arhitecturi MLOps automatizate. De la urmărirea automată a experimentelor și registrul de modele, până la feature store și rolul metastore-ului, acest capitol îți oferă o înțelegere cuprinzătoare a complexității unui sistem MLOps complet automatizat. Indiferent dacă ești un practician ML experimentat sau abia la început, acest capitol îți va oferi cunoștințele și abilitățile necesare pentru a proiecta fluxuri de lucru MLOps automatizate.

Exercise 1: Orchestrarea în MLOps Exercise 2: De ce să modularizăm?Exercise 3: Orchestrare: dezvoltare vs. producție Exercise 4: DAG-uri în fluxurile de lucru MLOps Exercise 5: Aspecte ale orchestrării în MLOps Exercise 6: Automatizare în strategiile de deployment MLOps Exercise 7: Ce tip de implementare este acesta?Exercise 8: Este aceasta strategia de deployment potrivită?Exercise 9: Zero downtime cu un deployment blue/green Exercise 10: CI/CD/CT/CM în MLOps complet automatizat Exercise 11: Cum contribuie CI/CD/CT/CM la MLOps?Exercise 12: Monitorizare continuă & antrenare continuă Exercise 13: CI/CD/CT/CM în MLOps Exercise 14: Rezumat