Кейс MLOps: повышение прибыли с помощью MLOps

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Это упражнение является частью курса

MLOps для бизнеса

SkillTag.level.beginnerSkillTag.label

4.9+

В первой главе вы познакомитесь с MLOps и узнаете, почему он необходим компаниям, которые хотят одновременно проектировать, разрабатывать и эксплуатировать несколько приложений машинного обучения. Вы изучите основные элементы MLOps — масштабирование и автоматизацию, его преимущества, а также причины, по которым внедрение MLOps по-прежнему остаётся непростой задачей. Кроме того, вы рассмотрите, что необходимо для начала MLOps-пути как с технологической, так и с управленческой точки зрения.

Exercise 1: Что такое MLOps?Exercise 2: MLOps: набор практик для...Exercise 3: Каковы характеристики MLOps?Exercise 4: Бизнес-аргументы в пользу MLOps Exercise 5: Смежные области MLOps Exercise 6: Как инвестировать в MLOps Exercise 7: Причины инвестировать в MLOps Exercise 8: Закладываем основу MLOps Exercise 9: Члены команды MLOps Exercise 10: Предпосылки для MLOps Exercise 11: Элементы MLOps

Во второй главе вы изучите полный жизненный цикл MLOps: от проектирования до разработки, развёртывания и эксплуатации. Вы узнаете, почему мониторинг важен для эффективной работы приложений машинного обучения и почему модели необходимо регулярно переобучать.

Exercise 1: MLOps: полный цикл Exercise 2: Десять ключевых шагов жизненного цикла MLOps Exercise 3: Основные этапы MLOps-приложения Exercise 4: Ключевые задачи основных этапов MLOps Exercise 5: Этап проектирования Exercise 6: Перенос задач фазы проектирования Exercise 7: Основа успеха: проектирование MLOps-проекта Exercise 8: Фаза разработки Exercise 9: Задачи этапа разработки Exercise 10: Роли на этапе разработки Exercise 11: Мониторинг, переобучение и замена MLOps-приложений Exercise 12: Характеристики жизненного цикла MLOps Exercise 13: Распределение обязанностей при разработке сценария использования MLOps Exercise 14: Жизненный цикл MLOps

В третьей главе вы перейдёте от теории к практике и познакомитесь с основными проблемами и рисками, возникающими при развёртывании моделей машинного обучения. Вы также узнаете, как эффективно работают MLOps-команды и что может сделать руководство, чтобы обеспечить успешное масштабирование машинного обучения.

Exercise 1: Бизнес-задачи и риски в MLOps Exercise 2: Что делает MLOps сложным?Exercise 3: Традиционный软件 vs. MLOps Exercise 4: Потенциальные бизнес-риски MLOps Exercise 5: Как MLOps-команды работают эффективно Exercise 6: Команды в стиле DevOps Exercise 7: Сложности при внедрении MLOps Exercise 8: Современное состояние MLOps Exercise 9: Ложное утверждение об MLOps Exercise 10: Почему MLOps — это сложно

В заключительной главе рассматриваются лучшие практики и типичные ошибки, которые помогут вашей компании уверенно начать MLOps-путь. В завершение вы изучите различные уровни зрелости MLOps и ознакомитесь с реальным примером проектирования, разработки и эксплуатации приложения машинного обучения для критически важных производственных процессов.

Exercise 1: Как бизнесу стать полностью готовым к MLOps Exercise 2: Корректные KPI для MLOps Exercise 3: Расставьте уровни зрелости развёртывания по порядку Exercise 4: Зрелость MLOps Exercise 5: Лучшие практики и типичные ошибки в MLOps Exercise 6: Что нужно тестировать?Exercise 7: Лучшие практики — или нет?Exercise 8: Кейс MLOps: повышение прибыли с помощью MLOps

Текущее упражнение

Exercise 9: Ключевые выводы из кейса Exercise 10: Подведение итогов