Varför MLOps är utmanande

MLOps är utmanande – bara ett fåtal företag har lyckats driva hundratals maskininlärningsmodeller parallellt. I det här kapitlet diskuterade vi olika orsaker till det. Du är nu inbjuden till ett investerarsamtal där sponsorerna vill förstå bättre varför ditt företag inte redan har tusentals prediktiva modeller som körs dygnet runt i molnet med högsta noggrannhet.

Den här övningen är en del av kursen

MLOps för företag

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 för företag

SkillTag.level.beginnerSkillTag.label

4.9+

Starta kursen gratis

Det första kapitlet introducerar MLOps och varför det är nödvändigt för företag som vill designa, utveckla och driva flera maskininlärningsapplikationer samtidigt. Du lär dig om de viktigaste delarna av MLOps, som skalning och automatisering, vilka fördelar det medför och varför MLOps fortfarande är utmanande. Du utforskar också vad som krävs för att påbörja MLOps-resan, både ur ett teknologiskt och ett ledarskapsperspektiv.

Exercise 1: Vad är MLOps?Exercise 2: MLOps: en uppsättning metoder för att ...Exercise 3: Vilka är kännetecknen för MLOps?Exercise 4: Affärsskälen för MLOps Exercise 5: Relevanta områden för MLOps Exercise 6: Hur man investerar i MLOps Exercise 7: Skäl att investera i MLOps Exercise 8: Lägga grunden för MLOps Exercise 9: MLOps-teamets medlemmar Exercise 10: Förutsättningar för MLOps Exercise 11: MLOps grundelement

I det andra kapitlet lär du dig om hela MLOps-livscykeln – från design till utveckling, driftsättning och förvaltning. Du utforskar varför övervakning är avgörande för produktiva maskininlärningsapplikationer och varför vi regelbundet behöver träna om maskininlärningsmodeller.

Exercise 1: MLOps förklarat från början till slut Exercise 2: Tio viktiga steg i MLOps-livscykeln Exercise 3: De viktigaste faserna i en MLOps-applikation Exercise 4: Viktiga uppgifter i de huvudsakliga MLOps-faserna Exercise 5: Designfasen Exercise 6: Att skjuta upp designfasens uppgifter Exercise 7: En plan för framgång: Utforma ditt MLOps-projekt Exercise 8: Utvecklingsfasen Exercise 9: Utvecklingsuppgifter Exercise 10: Roller i utvecklingsfasen Exercise 11: Övervakning, omträning och ersättning av MLOps-applikationer Exercise 12: MLOps-livscykelns egenskaper Exercise 13: Individuella ansvarsområden i ett MLOps-projekt Exercise 14: MLOps livscykel

I det tredje kapitlet går du från teori till praktik och undersöker de viktigaste utmaningarna och riskerna med att driftsätta maskininlärningsmodeller. Du lär dig också hur framgångsrika MLOps-team arbetar och vad ledningen kan göra för att underlätta skalning av maskininlärning.

Exercise 1: Affärsutmaningar och risker med MLOps Exercise 2: Vad gör MLOps utmanande?Exercise 3: Traditionell mjukvara vs. MLOps Exercise 4: Potentiella affärsrisker med MLOps Exercise 5: Hur MLOps-team arbetar framgångsrikt Exercise 6: DevOps-liknande team Exercise 7: Utmaningar med att implementera MLOps Exercise 8: MLOps i dag Exercise 9: Ett felaktigt påstående om MLOps Exercise 10: Varför MLOps är utmanande

Aktuell övning

Det sista kapitlet visar hur du framgångsrikt kan starta din verksamhets MLOps-resa genom att gå igenom bästa praxis och fallgropar att undvika. Avslutningsvis undersöker du de olika mognadsnivåerna inom MLOps och avslutar kursen med en verklig fallstudie om design, utveckling och drift av en maskininlärningsapplikation för kritiska produktionsprocesser.

Exercise 1: Hur företag kan bli helt redo för MLOps Exercise 2: Giltiga MLOps-KPI:er Exercise 3: Ordna driftsättningsmognaden Exercise 4: MLOps-mognad Exercise 5: Bästa praxis och fallgropar inom MLOps Exercise 6: Vad behöver vi testa?Exercise 7: (Inte) En bästa praxis Exercise 8: MLOps-fallstudie: Ökad lönsamhet med MLOps Exercise 9: Viktiga punkter från fallstudien Exercise 10: Avslutning