รักษา zero downtime ด้วยการ deploy แบบ blue/green

ในแบบฝึกหัดนี้ คุณจะนำความรู้เกี่ยวกับกลยุทธ์การ deploy แบบ blue/green มาใช้ โดยจะจัดเรียงชุดขั้นตอนที่จำเป็นสำหรับการอัปเดตโมเดลด้วยกลยุทธ์นี้ให้อยู่ในลำดับที่ถูกต้อง

สมมติว่าเริ่มต้นด้วยโมเดลที่ทำงานอยู่และรองรับ prediction service อยู่แล้ว นั่นคือ blue environment ของคุณ

Figure showing a blue/green deployment where both the blue and green deployment are running side by side.

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

MLOps แบบอัตโนมัติเต็มรูปแบบ

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

MLOps แบบอัตโนมัติเต็มรูปแบบ

SkillTag.level.intermediateSkillTag.label

4.8+

เริ่มคอร์สฟรี

ในบทแรกนี้ เราจะอธิบายแรงจูงใจในการนำ MLOps มาใช้ในบริบทอุตสาหกรรม พร้อมเรียนรู้ความสำคัญของ MLOps ในการสร้างคุณค่าให้กับธุรกิจ จากนั้นจะทบทวนขั้นตอนต่างๆ ของ ML โดยเน้นว่า MLOps ช่วยยกระดับแต่ละขั้นตอนได้อย่างไร ท้ายบท จะได้สำรวจสถาปัตยกรรมอ้างอิงสำหรับระบบ MLOps แบบอัตโนมัติเต็มรูปแบบ แล้วนำสถาปัตยกรรมนี้มาใช้เพื่อศึกษาองค์ประกอบสำคัญของระบบ MLOps ซึ่งเป็นจุดเริ่มต้นสำหรับบทที่เหลือของคอร์ส

Exercise 1: MLOps แบบอัตโนมัติเต็มรูปแบบ: บทนำ Exercise 2: หนี้ทางเทคนิคที่ซ่อนอยู่ต้องได้รับการชำระ Exercise 3: หนี้ทางเทคนิคที่ซ่อนอยู่ใน ML นั้นแตกต่างออกไป Exercise 4: ขั้นตอนในวงจรชีวิต MLOps Exercise 5: MLOps แบบอัตโนมัติเต็มรูปแบบ Exercise 6: จะทำให้เป็นอัตโนมัติหรือไม่...Exercise 7: การสร้างระบบให้รองรับการขยายขนาด Exercise 8: สถาปัตยกรรมอ้างอิง: MLOps แบบอัตโนมัติเต็มรูปแบบ Exercise 9: Reference architecture ใน IT และ MLOps Exercise 10: ส่วนประกอบของสถาปัตยกรรม MLOps

ในบทนี้ จะได้เจาะลึกองค์ประกอบสำคัญที่ประกอบกันเป็นระบบ MLOps แบบอัตโนมัติเต็มรูปแบบ เริ่มจากการศึกษาความสำคัญของ orchestration ใน MLOps และวิธีที่ช่วยให้ ML pipelines มีประสิทธิภาพและสามารถขยายได้ จากนั้นจะสำรวจกลยุทธ์การ deploy แบบต่างๆ ใน MLOps และเรียนรู้วิธีเลือกกลยุทธ์ที่เหมาะสมกับระบบของตน สุดท้ายจะเรียนรู้เกี่ยวกับ CI/CD/CT/CM และวิธีที่สิ่งเหล่านี้เสริม orchestration รวมถึง best practices เพื่อบรรลุระบบอัตโนมัติเต็มรูปแบบใน MLOps เมื่อผ่านบทนี้แล้ว จะมีความพร้อมมากขึ้นในการสร้างระบบ MLOps แบบอัตโนมัติเต็มรูปแบบที่มีประสิทธิภาพ แม่นยำ และเชื่อถือได้

Exercise 1: การติดตามการทดลองแบบอัตโนมัติ Exercise 2: ควรติดตามข้อมูลอะไรบ้าง?Exercise 3: ถกเถียงเรื่องการติดตามการทดลอง: คุณอยู่ฝ่ายไหน?Exercise 4: เราติดตามอะไรกันอยู่?Exercise 5: Model Registry Exercise 6: อย่าโยนโมเดลข้ามรั้ว!Exercise 7: วงจรชีวิตของโมเดล ML Exercise 8: นี่คืองานของ model registry!Exercise 9: Feature Store ในสถาปัตยกรรม MLOps แบบอัตโนมัติ Exercise 10: ข้อดีของการใช้ feature store Exercise 11: บทบาทของ Feature Store Exercise 12: Metadata store Exercise 13: Metadata ใน MLOps Exercise 14: การฝึกโมเดลใหม่ด้วย metadata store Exercise 15: บทบาทของ metadata store ในการติดตามระบบ MLOps

ในบทนี้ จะได้เจาะลึกโลกของระบบอัตโนมัติ และเรียนรู้วิธีออกแบบระบบ ML ที่มีความยืดหยุ่นและมีประสิทธิภาพมากขึ้น เริ่มจากการทำความเข้าใจพื้นฐานของระบบอัตโนมัติใน MLOps จากนั้นก้าวไปสู่การค้นพบพลังของ design patterns และกลไก fail-safe นอกจากนี้ยังจะได้เรียนรู้วิธีนำ automated testing มาใช้ใน MLOps และการปรับแต่ง hyperparameter เพื่อ optimize โมเดลและ workflows เมื่อจบบทนี้ จะมีทักษะและความรู้ที่จำเป็นสำหรับการสร้างและบริหารจัดการระบบ MLOps แบบอัตโนมัติเต็มรูปแบบที่ทั้งมีประสิทธิภาพและเชื่อถือได้

Exercise 1: แนะนำการทำงานอัตโนมัติเต็มรูปแบบและแนวปฏิบัติที่ดีที่สุดสำหรับ MLOps Exercise 2: การทำงานอัตโนมัติใน MLOps workflow Exercise 3: ระดับของระบบอัตโนมัติใน MLOps Exercise 4: รูปแบบระบบอัตโนมัติ การตรวจสอบ และการตอบสนองต่อเหตุการณ์Exercise 5: นี่คือ design pattern หรือไม่?Exercise 6: Retrain, Rollback หรือ Imputation?Exercise 7: การทดสอบอัตโนมัติใน MLOps Exercise 8: Garbage in - Garbage out... นำการทดสอบข้อมูลมาใช้!Exercise 9: การทดสอบ: ซอฟต์แวร์ทั่วไป vs. MLOps Exercise 10: การทดสอบ: ข้อมูล vs. โมเดล vs. Pipeline Exercise 11: การปรับ Hyperparameter แบบอัตโนมัติ Exercise 12: Parameter หรือ Hyperparameter?Exercise 13: บทบาทของการปรับจูน Hyperparameter ใน MLOps Exercise 14: การปรับ Hyperparameter อัตโนมัติ

ในบทสุดท้ายนี้ จะได้เจาะลึกองค์ประกอบสำคัญของสถาปัตยกรรม MLOps แบบอัตโนมัติ ตั้งแต่การทำความเข้าใจ automated experiment tracking และ model registry ไปจนถึงการสำรวจ feature store และบทบาทของ metadata store บทนี้ออกแบบมาเพื่อให้มีความเข้าใจอย่างครอบคลุมเกี่ยวกับรายละเอียดทั้งหมดของระบบ MLOps แบบอัตโนมัติเต็มรูปแบบ ไม่ว่าจะเป็นผู้เชี่ยวชาญ ML ที่มีประสบการณ์หรือเพิ่งเริ่มต้น บทนี้จะให้ความรู้และทักษะที่จำเป็นสำหรับการออกแบบ MLOps workflows แบบอัตโนมัติ

Exercise 1: การจัดการกระบวนการใน MLOps Exercise 2: ทำไมต้องแบ่งระบบเป็นโมดูล?Exercise 3: Orchestration: dev vs. prod Exercise 4: DAG ใน MLOps Workflow Exercise 5: แง่มุมของ Orchestration ใน MLOps Exercise 6: ระบบอัตโนมัติในกลยุทธ์การ deploy MLOps Exercise 7: นี่คือการ deployment แบบใด?Exercise 8: นี่คือกลยุทธ์การ deploy ที่เหมาะสมหรือไม่?Exercise 9: รักษา zero downtime ด้วยการ deploy แบบ blue/green

แบบฝึกหัดปัจจุบัน

Exercise 10: CI/CD/CT/CM ใน MLOps แบบอัตโนมัติเต็มรูปแบบ Exercise 11: CI/CD/CT/CM มีส่วนช่วย MLOps อย่างไร?Exercise 12: Continuous Monitoring & Continuous Training Exercise 13: CI/CD/CT/CM ใน MLOps Exercise 14: สรุป