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.

Vad är MLOps?

MLOps: en uppsättning metoder för att ...

Vilka är kännetecknen för MLOps?

Affärsskälen för MLOps

Relevanta områden för MLOps

Hur man investerar i MLOps

Skäl att investera i MLOps

Lägga grunden för MLOps

MLOps-teamets medlemmar

Förutsättningar för MLOps

MLOps grundelement

Introduktion till MLOps

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.

MLOps förklarat från början till slut

Tio viktiga steg i MLOps-livscykeln

De viktigaste faserna i en MLOps-applikation

Viktiga uppgifter i de huvudsakliga MLOps-faserna

Designfasen

Att skjuta upp designfasens uppgifter

En plan för framgång: Utforma ditt MLOps-projekt

Utvecklingsfasen

Utvecklingsuppgifter

Roller i utvecklingsfasen

Övervakning, omträning och ersättning av MLOps-applikationer

MLOps-livscykelns egenskaper

Individuella ansvarsområden i ett MLOps-projekt

MLOps livscykel

MLOps-livscykeln

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.

Affärsutmaningar och risker med MLOps

Vad gör MLOps utmanande?

Alternativ

Relevant för traditionell mjukvara & MLOps

Relevant endast för MLOps

Traditionell mjukvara vs. MLOps

Affärsrisk

Datavetenskap och teknisk risk

Styrningsrisk

Potentiella affärsrisker med MLOps

Hur MLOps-team arbetar framgångsrikt

DevOps-liknande team

En utmaning för MLOps

Inte en utmaning för MLOps

Utmaningar med att implementera MLOps

MLOps i dag

Ett felaktigt påstående om MLOps

Giltiga skäl till att MLOps är utmanande

Ogiltiga skäl till att MLOps är utmanande

Varför MLOps är utmanande

MLOps: Från teori till praktik

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.


Hur företag kan bli helt redo för MLOps

Giltiga MLOps-KPI:er

Ordna driftsättningsmognaden

MLOps-mognad

Bästa praxis och fallgropar inom MLOps

Vad behöver vi testa?

(Inte) En bästa praxis

MLOps-fallstudie: Ökad lönsamhet med MLOps

Viktiga punkter från fallstudien

Avslutning

MLOps i verkligheten


Lär dig de grundläggande koncepten och metoderna inom MLOps – en framväxande uppsättning verktyg och tekniker för att automatisera och skala maskininlärningsapplikationer.

Att utveckla maskininlärningsmodeller var tidigare en lång och manuell process, och de flesta modeller nådde aldrig produktion. Med MLOps kan företag effektivt skala och automatisera design, utveckling och drift av maskininlärningsmodeller.

Den här kursen förklarar vad MLOps är och hur du kan använda det för att bygga ett moget maskininlärningsföretag. Du lär dig om kraven för MLOps, vilka verktyg, tekniker och personer som är involverade, samt hur du undviker vanliga fallgropar.

När kursen är klar har du en gedigen förståelse för hur man designar, utvecklar och driver maskininlärningsapplikationer i stor skala – och kan omsätta maskininlärningens potential i konkret affärsnytta.

<h2>Upptäck MLOps för företag</h2>
Lär dig de viktigaste koncepten och metoderna inom MLOps, en framväxande uppsättning verktyg och tekniker för att automatisera och skala maskininlärningsapplikationer.

Utveckling av maskininlärningsmodeller brukade vara en tidskrävande manuell uppgift, och de flesta modeller nådde aldrig produktion. Med MLOps kan företag effektivt skala upp och automatisera design, utveckling och drift av maskininlärningsmodeller.
<h2>Lär dig använda Machine Learning Operations i ditt företag</h2>
Den här kursen lär dig vad MLOps är och hur du kan använda det för att bli ett fullt moget företag inom maskininlärning. Du kommer att lära dig om kraven för MLOps, verktygen, teknikerna och personerna som är involverade, samt hur du undviker vanliga fallgropar.

Du börjar med att lära dig om de viktigaste delarna av MLOps och varför det är avgörande för företag som vill designa, utveckla och driftsätta flera maskininlärningsapplikationer.
<h2>Utforska MLOps-livscykeln</h2>
Därefter utforskar du hela MLOps-livscykeln, från design till utveckling, driftsättning och drift. I kapitel 3 får du lära dig om de viktigaste utmaningarna och riskerna med att driftsätta maskininlärningsmodeller i praktiken.

Slutligen kommer du att titta på bästa praxis och fallstudier för att framgångsrikt implementera MLOps i verkligheten.

I slutet av kursen kommer du att ha en djup förståelse för hur man designar, utvecklar och driver maskininlärningsapplikationer i stor skala och kommer att kunna dra nytta av maskininlärningens påverkan på ditt företag.


Machine Learning for Business

Lär dig om MLOps, verktyg och metoder för att automatisera och skala maskininlärningsapplikationer.

MLOps för företag

Lär dig om MLOps, inklusive verktyg och arbetssätt för att automatisera och skala maskininlärningsapplikationer.

DevOps-liknande team

MLOps för företag

Interaktiv övning med praktiskt arbete