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

Det moderna MLOps-ramverket

Alternativ

Maskininlärningsutveckling (ML)

Drift

ML-arbetsflöden

Fördelar med MLOps

Livscykelns faser

ML-modell

ML-applikation

App vs. modell

Avveckling

MLOps-livscykel

Modellens livscykel: sammanfattning

MLOps-komponenter

Automatiserad sekvens

Särdragslager

Metadatalager

Modellregister

Lager och register

MLOps + DevOps

Endast MLOps

DevOps eller MLOps?

MLOps i korthet

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.

Driftsättningsstyrd utveckling

Testa din maskininlärningsmodell

Bästa tidpunkten att börja driftsätta

Profilering, versionshantering och särdragslager

Egenskaper hos feature stores

Fördelar med profilering och särdragslager

Säkerställa reproducerbarhet

Modellbyggnadspipelines i CI/CD

Olika pipelines

Egenskaper hos modellbyggpipelinen

CI/CD-integration

Modellpaketering

Modellformat

Komplett paket

Utveckla för driftsättning

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.

Serveringslägen

Offline eller online?

När tid spelar roll – lite grand

Bygga API:et

Klient-server

API-funktioner

Driftsättningsprogression och testning

Vilket test är det?

Progression genom miljöer

Tester per miljö

Strategier för modellsdriftsättning

En lämplig driftsättningsstrategi

Risknivåer i ordning

Skuggan av skuggan

Driftsätt och kör

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.


Övervakning av ML-tjänster

Skift kontra drift

Latens

Redan?

Övervakning och larm

Övervakningssystemet

Larmhantering

Modellunderhåll

Datacentrerat vs modellcentrerat

Human-in-the-Loop

Modellstyrning

Styrningens beståndsdelar

Styrningens faser

Riskklassificering

Sammanfattning

Övervaka och underhåll

Utforska det moderna MLOps-ramverket, inklusive livscykel och driftsättning av maskininlärningsmodeller. I den här kursen lär du dig att skriva ML-kod som minimerar teknisk skuld, du får bekanta dig med de verktyg som krävs för att driftsätta och övervaka dina modeller, och du undersöker olika typer av miljöer och analyser som du kommer att stöta på.

När du har samlat in, förberett och märkt dina data, kört ett stort antal experiment med olika modeller och visat konceptets bärkraft med en vinnande modell, är det dags för nästa steg. Bygg. Driftsätt. Övervaka. Underhåll. Det är livscykeln för din modell när den är redo för produktion. Det är Ops-delen i MLOps.

Den här kursen visar hur du navigerar nästa fas i din modells resa mot att skapa värde, och lägger grunden för många fler steg framöver.

<h2>MLOps-distribution och livscykelhantering</h2>

Utforska det moderna MLOps-ramverket, inklusive livscykeln och driftsättningen av maskininlärningsmodeller. I den här kursen lär du dig att skriva ML-kod som minimerar teknisk skuld, upptäcka de verktyg du behöver för att driftsätta och övervaka dina modeller samt gå igenom de olika typer av miljöer och analyser du kommer att stöta på.

<h2>Lär dig om MLOps-livscykeln</h2>
När du har samlat in, förberett och märkt dina data, kört många experiment med olika modeller och bevisat din idé med en vinnarmodell, är det dags för nästa steg. Bygg. Lansera. Övervaka. Maintain. Det är modellens livscykel när den väl är avsedd för produktion. Det är Ops-delen av MLOps.

Den här kursen visar dig hur du navigerar i det andra kapitlet i din modells resa mot värdeleverans och sätter riktmärket för många fler som kommer. Du börjar med att utforska MLOps-livscykeln och upptäcker vikten av MLOps samt de viktigaste funktionella komponenterna för modellutveckling, driftsättning, övervakning och underhåll.
<h2>Utveckla ML-kod för driftsättning</h2>
Därefter lär du dig hur du utvecklar modeller för driftsättning och hur du skriver effektiv ML-kod, använder verktyg och tränar ML-pipelines. Allt eftersom du går vidare kommer du att lära dig hur du distribuerar dina modeller, och utforska olika distributionsmiljöer och när du ska använda dem. Du kommer också att utveckla strategier för att ersätta befintliga produktionsmodeller och granska API:er.
<h2>Lär dig hur du övervakar dina modeller</h2>
När du slutför kursen kommer du att upptäcka de avgörande prestandamåtten bakom övervakning och underhåll av dina ML-modeller. Du kommer att lära dig om övervakning av drift i produktion, samt modellfeedback, uppdateringar och styrning.

När du är klar kommer du att förstå hur du kan använda MLOps-livscykeln för att driftsätta dina egna modeller i produktion.


MLOps Concepts

I den här kursen utforskar du MLOps-ramverket och livscykeln för maskininlärningsmodeller.

MLOps-driftsättning och livscykelhantering

I den här kursen utforskar du det moderna MLOps-ramverket, med fokus på livscykeln och driftsättning av maskininlärningsmodeller. 

Maskininlärningsingenjör

MLOps-grunder

Fördelar med MLOps

MLOps-driftsättning och livscykelhantering

Interaktiv övning med praktiskt arbete