Ett MLOps-arbetsflöde

Den här övningen handlar om att tillämpa Kubernetes-koncept i ett MLOps-arbetsflöde.

Datavetenskapsteamet i ditt företag använder en algoritm för att upptäcka ovanligt stora värden (outliers) i en tidsserie från en IoT-enhet. Algoritmen förbättras kontinuerligt, vilket leder till täta uppdateringar som resulterar i nya versioner av en Docker-avbildning. Din uppgift är att stötta teamet genom att driftsätta dessa algoritmer och hjälpa dem att jämföra prestandan för de olika versionerna.

Följande har förberetts:

• Den faktiska datan för att köra detektionsalgoritmen mot (data.csv), som kopieras in i en Docker-avbildning
• Två olika versioner av outlier-detektionsalgoritmen (detect_outliers_*.py)
• Två Dockerfiler för att skapa två avbildningar med dessa olika versioner (Dockerfile.outlier_detection_*)
• Ett bash-skript för att förbereda och ladda upp avbildningarna (01_images.sh)
• Ett Kubernetes-manifest kallat 02_pods_outlier-detection.yml finns tillgängligt, som du använder för att driftsätta outlier-detektionsalgoritmerna.