Metadata i MLOps

I föregående video lärde du dig definitionen av metadata: information om körningen av de olika komponenterna i en ML-pipeline.

I den här övningen ska du välja det alternativ som innehåller exempel på metadata.

En maskininlärningspipeline presenteras. Pipelinen består av följande steg: datautvinning, datavalidering, modellträning, modellutvärdering och modellvalidering.

Den här övningen är en del av kursen

Fullt automatiserad MLOps

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Fullt automatiserad MLOps

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

I det här första kapitlet motiverar vi användningen av MLOps i en industriell miljö. Du lär dig om dess betydelse för att skapa värde i verksamheter. Du får också en genomgång av ML-faserna med fokus på hur MLOps förbättrar dessa. I slutet av kapitlet utforskar du en referensarkitektur för ett fullt automatiserat MLOps-system. Du använder sedan den arkitekturen för att utforska komponenter som är viktiga i alla MLOps-system – en bra startpunkt för resten av kursen.

Exercise 1: Introduktion till fullt automatiserad MLOps Exercise 2: Den dolda tekniska skulden måste betalas Exercise 3: Dold teknisk skuld i ML är annorlunda Exercise 4: MLOps livscykelstadier Exercise 5: Fullt automatiserad MLOps Exercise 6: Att automatisera eller inte automatisera...Exercise 7: Bygga för skalbarhet Exercise 8: Referensarkitektur: Fullt automatiserad MLOps Exercise 9: Referensarkitekturer inom IT och MLOps Exercise 10: Komponenter i MLOps-arkitekturen

I det här kapitlet fortsätter du att utforska de centrala komponenterna i ett fullt automatiserat MLOps-system. Först undersöker du orkestreringens betydelse i MLOps och hur den bidrar till effektivitet och skalbarhet i ML-pipelines. Därefter går du igenom olika driftsättningsstrategier i MLOps och lär dig hur du väljer rätt strategi för ditt system. Slutligen lär du dig om CI/CD/CT/CM och hur det kompletterar orkestrering och bästa praxis för att uppnå full automatisering i MLOps-system. Med dessa kunskaper är du väl rustad att bygga ett fullt automatiserat MLOps-system som är effektivt, träffsäkert och tillförlitligt.

Exercise 1: Automatiserad experimentspårning Exercise 2: Vad bör vi hålla koll på?Exercise 3: Den stora experimentspårningsdebatten: Vilken sida är du på?Exercise 4: Vad spårar vi här?Exercise 5: Modellregistret Exercise 6: Kasta inte modellen över staketet!Exercise 7: ML-modellens livscykel Exercise 8: Det här är ett jobb för modellregistret!Exercise 9: Feature store i en automatiserad MLOps-arkitektur Exercise 10: En fördel med att använda ett särdragslager Exercise 11: Feature stores roller Exercise 12: Metadatalagret Exercise 13: Metadata i MLOps

Aktuell övning

Exercise 14: Modellomträning med metadatalagret Exercise 15: Metadatalagrets roll i MLOps-övervakning

I det här kapitlet fördjupar du dig i automatisering och lär dig att utforma mer robusta och effektiva ML-system. Du börjar med grunderna i automatisering av MLOps-system och går sedan vidare till designmönster och felsäkra mekanismer. Du lär dig också att implementera automatiserad testning i MLOps-system och hur du använder hyperparameterjustering för att optimera dina modeller och arbetsflöden. I slutet av kapitlet har du de kunskaper och färdigheter som krävs för att bygga och hantera fullt automatiserade MLOps-system som är både effektiva och tillförlitliga.

Exercise 1: Introduktion till fullständig automatisering och bästa praxis inom MLOps Exercise 2: Automatisering i MLOps-arbetsflöden Exercise 3: Automatiseringsgrader i MLOps Exercise 4: Mönstret för automatisering, övervakning och incidenthantering Exercise 5: Är det här ett designmönster?Exercise 6: Omträning, återställning eller imputering?Exercise 7: Automatiserad testning i MLOps Exercise 8: Skräp in – skräp ut... Tillämpa datatester!Exercise 9: Testning: traditionell vs. MLOps Exercise 10: Testning: Data vs. modell vs. pipeline Exercise 11: Automatiserad hyperparameterjustering Exercise 12: Parameter eller hyperparameter?Exercise 13: Hyperparameterjusteringens roll i MLOps Exercise 14: Automatisera hyperparameterjustering

I det här avslutande kapitlet fördjupar du dig i de centrala komponenterna i en automatiserad MLOps-arkitektur. Från automatiserad experimentspårning och modellregistret till funktionslagret och metadatalagrets roll – kapitlet ger dig en heltäckande förståelse för ett fullt automatiserat MLOps-systems komplexitet. Oavsett om du är en erfaren ML-utövare eller precis har börjat ger det här kapitlet dig de kunskaper och färdigheter du behöver för att utforma automatiserade MLOps-arbetsflöden.

Exercise 1: Orkestrering i MLOps Exercise 2: Varför ska vi modularisera?Exercise 3: Orkestrering: utveckling vs. produktion Exercise 4: DAGs i MLOps-arbetsflöden Exercise 5: Orkestreringsaspekter i MLOps Exercise 6: Automatisering i MLOps-distributionsstrategier Exercise 7: Vilken typ av driftsättning är detta?Exercise 8: Är det här rätt driftsättningsstrategi?Exercise 9: Noll driftstopp med blue/green-driftsättning Exercise 10: CI/CD/CT/CM i fullständigt automatiserad MLOps Exercise 11: Hur bidrar CI/CD/CT/CM till MLOps?Exercise 12: Kontinuerlig övervakning & kontinuerlig träning Exercise 13: CI/CD/CT/CM i MLOps Exercise 14: Sammanfattning