Beneficiile profilării și ale feature store-urilor

Utilizarea profilurilor de date și a feature store-urilor aduce numeroase beneficii importante atunci când modelele noastre intră în faza de operare.

Îți amintești care beneficiu este asociat cu care concept?

Acest exercițiu face parte din cursul

MLOps Deployment and Life Cycling

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

MLOps Deployment and Life Cycling

SkillTag.level.advancedSkillTag.label

4.8+

Începe cursul gratuit

Acest capitol oferă o prezentare generală a principiilor MLOps și a componentelor cadrului de lucru, importante pentru implementare și gestionarea ciclului de viață.

Exercise 1: Cadrul modern MLOps Exercise 2: Fluxuri de lucru ML Exercise 3: Beneficiile MLOps Exercise 4: Etapele ciclului de viață Exercise 5: Aplicație vs. model Exercise 6: Dezafectarea Exercise 7: Ciclul de viață al modelului: recapitulare Exercise 8: Componente MLOps Exercise 9: Secvență automatizată Exercise 10: Depozite și registre Exercise 11: DevOps sau MLOps?

Acest capitol este dedicat tuturor aspectelor pe care trebuie să le iei în considerare încă din faza de dezvoltare, pentru a asigura o tranziție fără probleme către operațiuni. Scopul final este să explice cum să antrenezi modelul folosind cele mai bune practici MLOps și să construiești un pachet de model care să permită o implementare ușoară, reproductibilitate și monitorizare post-implementare.

Exercise 1: Dezvoltare orientată spre deployment Exercise 2: Testarea modelului tău de machine learning Exercise 3: Cel mai bun moment pentru a începe deployment-ul Exercise 4: Profilare, versionare și feature store-uri Exercise 5: Proprietățile unui feature store Exercise 6: Beneficiile profilării și ale feature store-urilor

Exercițiul curent

Exercise 7: Asigurarea reproductibilității Exercise 8: Pipeline-uri de build al modelului în CI/CD Exercise 9: Pipeline-uri diferite Exercise 10: Proprietățile pipeline-ului de build al modelului Exercise 11: Integrarea CI/CD Exercise 12: Împachetarea modelului Exercise 13: Formate pentru modele Exercise 14: Pachetul complet

Acest capitol abordează întrebări esențiale legate de operațiunile cu modele, precum: - Care sunt modalitățile prin care putem servi modelele noastre? - Ce este un API și care sunt funcționalitățile sale principale? - Cum testăm temeinic serviciul înainte de a-l pune la dispoziția utilizatorilor finali? - Cum actualizăm modelele în producție fără a perturba serviciul? Vei învăța despre predicția pe loturi, predicția în timp real, validarea datelor de intrare și ieșire, testarea unitară, testarea de integrare, implementarea canary și multe altele.

Exercise 1: Moduri de servire Exercise 2: Offline sau online?Exercise 3: Când timpul contează – dar nu chiar atât de mult Exercise 4: Construirea API-ului Exercise 5: Client-server Exercise 6: Funcționalitățile API Exercise 7: Progresia implementării și testarea Exercise 8: Ce tip de test este?Exercise 9: Progresia prin medii Exercise 10: Teste per mediu Exercise 11: Strategii de deployment al modelelor Exercise 12: O strategie de deployment potrivită Exercise 13: Ordinea riscului Exercise 14: Umbra umbrei

Acest capitol final este dedicat monitorizării și mentenanței serviciilor ML după implementare, precum și guvernanței modelelor. Vei parcurge concepte esențiale precum latența de verificare, schimbarea covariatelor, deriva conceptuală, sistemele cu operator uman în buclă și multe altele.

Exercise 1: Monitorizarea serviciilor ML Exercise 2: Shift vs. drift Exercise 3: Latență Exercise 4: Deja?Exercise 5: Monitorizare și alertare Exercise 6: Sistemul de monitorizare Exercise 7: Alertare Exercise 8: Mentenanța modelului Exercise 9: Centrat pe date vs. centrat pe model Exercise 10: Omul în Buclă (Human-in-the-Loop)Exercise 11: Guvernanța modelelor Exercise 12: Elementele guvernanței Exercise 13: Etapele guvernanței Exercise 14: Clasificarea riscului Exercise 15: Rezumat