Egenskaper hos feature stores

I det senaste videoavsnittet introducerades feature stores, som är en av nyckelkomponenterna i ett moget MLOps-ramverk.

Kan du avgöra vilka av följande påståenden om feature stores som är sanna och vilka som är falska?

Den här övningen är en del av kursen

MLOps-driftsättning och livscykelhantering

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

MLOps-driftsättning och livscykelhantering

SkillTag.level.advancedSkillTag.label

4.8+

Starta kursen gratis

Det här kapitlet ger en övergripande introduktion till MLOps-principer och de ramverkskomponenter som är viktiga för driftsättning och livscykelhantering.

Exercise 1: Det moderna MLOps-ramverket Exercise 2: ML-arbetsflöden Exercise 3: Fördelar med MLOps Exercise 4: Livscykelns faser Exercise 5: App vs. modell Exercise 6: Avveckling Exercise 7: Modellens livscykel: sammanfattning Exercise 8: MLOps-komponenter Exercise 9: Automatiserad sekvens Exercise 10: Lager och register Exercise 11: DevOps eller MLOps?

Det här kapitlet ägnas åt alla överväganden som behöver göras redan i utvecklingsfasen, för att säkerställa en smidig övergång när vi når driftsättningen. Vårt övergripande mål är att förklara hur man tränar modellen med MLOps bästa praxis och bygger ett modellpaket som möjliggör smidig driftsättning, reproducerbarhet och övervakning efter driftsättning.

Exercise 1: Driftsättningsstyrd utveckling Exercise 2: Testa din maskininlärningsmodell Exercise 3: Bästa tidpunkten att börja driftsätta Exercise 4: Profilering, versionshantering och särdragslager Exercise 5: Egenskaper hos feature stores

Aktuell övning

Exercise 6: Fördelar med profilering och särdragslager Exercise 7: Säkerställa reproducerbarhet Exercise 8: Modellbyggnadspipelines i CI/CD Exercise 9: Olika pipelines Exercise 10: Egenskaper hos modellbyggpipelinen Exercise 11: CI/CD-integration Exercise 12: Modellpaketering Exercise 13: Modellformat Exercise 14: Komplett paket

Det här kapitlet behandlar kritiska frågor kring modellhantering i drift, till exempel: - Vilka olika sätt finns det att servera våra modeller? - Vad är ett API, och vilka är dess viktigaste funktioner? - Hur testar vi vår tjänst grundligt innan den görs tillgänglig för slutanvändarna? - Hur uppdaterar vi modeller i produktion utan att störa tjänsten? Du får lära dig om batchprediktioner, realtidsprediktioner, validering av in- och utdata, enhetstestning, integrationstestning, canary-driftsättning och mycket mer.

Exercise 1: Serveringslägen Exercise 2: Offline eller online?Exercise 3: När tid spelar roll – lite grand Exercise 4: Bygga API:et Exercise 5: Klient-server Exercise 6: API-funktioner Exercise 7: Driftsättningsprogression och testning Exercise 8: Vilket test är det?Exercise 9: Progression genom miljöer Exercise 10: Tester per miljö Exercise 11: Strategier för modellsdriftsättning Exercise 12: En lämplig driftsättningsstrategi Exercise 13: Risknivåer i ordning Exercise 14: Skuggan av skuggan

Det här avslutande kapitlet ägnas åt övervakning och underhåll av ML-tjänster efter driftsättning, samt åt modellstyrning. Du går igenom centrala begrepp som verifieringsfördröjning, kovariatskift, konceptdrift, system med människa i loopen och mer.

Exercise 1: Övervakning av ML-tjänster Exercise 2: Skift kontra drift Exercise 3: Latens Exercise 4: Redan?Exercise 5: Övervakning och larm Exercise 6: Övervakningssystemet Exercise 7: Larmhantering Exercise 8: Modellunderhåll Exercise 9: Datacentrerat vs modellcentrerat Exercise 10: Human-in-the-Loop Exercise 11: Modellstyrning Exercise 12: Styrningens beståndsdelar Exercise 13: Styrningens faser Exercise 14: Riskklassificering Exercise 15: Sammanfattning