This chapter gives a high-level overview of MLOps principles and framework components important for deployment and life cycling.

The modern MLOps framework

ML workflows

MLOps benefits

Life-cycling stages

App vs. model

Decommissioning

The model life cycle: recap

MLOps components

Automated sequence

Stores and registries

DevOps or MLOps?

MLOps in a Nutshell

This chapter is dedicated to all the considerations we need to make already in the development phase, in order to ensure a smooth ride when we reach the operations.

Our ultimate goal is to explain how to train the model using MLOps best practices and build a model package that enables smooth deployment, reproducibility and post-deployment monitoring.

Deployment-driven development

Testing your machine learning model

Best time to start deploying

Profiling, versioning, and feature stores

Feature store properties

Profiling and feature store benefits

Ensuring reproducibility

Model build pipelines in CI/CD

Different pipelines

Model build pipeline properties

CI/CD integration

Model packaging

Model formats

Full package

Develop for Deployment

This chapter deals with critical model operations questions such as:
- What are the different ways in which we can serve our models?
- What is an API, and what are its key functionalities?
- How do we thoroughly test our service before making it available to the end users?
- How do we update models in production without service disturbance?

You will learn about batch prediction, real-time prediction, input and output data validation, unit testing, integration testing, canary deployment, and much more.

Serving modes

Offline or online?

When time matters - a bit

Building the API

Client-server

API functionalities

Deployment progression and testing

Which test is it?

Progression through environments

Tests per environment

Model deployment strategies

A fitting deployment strategy

Order of risk

Shadow of the shadow

Deploy and Run

This final chapter is dedicated to monitoring and maintaining ML services after they are deployed, as well as to model governance.

You will cover crucial concepts such as verification latency, covariate shift, concept drift, human-in-the-loop systems, and more.


ML servislerini izleme

Seçenekler

Doğru

Yanlış

Shift ve drift

Gecikme

Şimdiden mi?

İzleme ve uyarı

İzleme sistemi

Uyarı Mekanizması

Model bakımı

Veri-merkezli yaklaşım

Model-merkezli yaklaşım

Veri-merkezli vs Model-merkezli

Döngüde İnsan (Human-in-the-Loop)

Model yönetişimi

Model yönetişimi kapsamındaki konular

Model yönetişimi kapsamı dışındaki konular

Yönetişimin öğeleri

Tasarım

Geliştirme

Operasyonlar

Yönetişim aşamaları

Risk sınıflandırması

Kapanış

Monitor and Maintain

Modern MLOps çerçevesini keşfet: Machine Learning modellerinin yaşam döngüsü ve dağıtımı. Bu kursta teknik borcu en aza indiren ML kodu yazmayı öğrenecek, modellerini dağıtmak ve izlemek için ihtiyaç duyacağın araçları keşfedecek ve karşılaşacağın farklı ortam ve analitik türlerini inceleyeceksin.

Verini topladıktan, hazırladıktan ve etiketledikten, farklı modeller üzerinde birçok deney çalıştırıp bir şampiyon modelle fikrini kanıtladıktan sonra sıradaki adımlara geçme zamanı gelir. İnşa et. Dağıt. İzle. Sürdür. Üretime giden modelinin yaşam döngüsü budur. Bu da MLOps’un Ops kısmıdır.

Bu kurs, modelinin değer üretme yolculuğunun ikinci bölümünde nasıl ilerleyeceğini göstererek, bundan sonra gelecek birçok model için kıstas belirlemeni sağlayacak.

<h2>MLOps Dağıtımı ve Yaşam Döngüsü</h2>

Makine öğrenimi modellerinin yaşam döngüsü ve dağıtımı dahil olmak üzere modern MLOps çerçevesini keşfedin. Bu kursta, teknik borcu en aza indiren ML kodu yazmayı öğrenecek, modellerinizi dağıtmak ve izlemek için ihtiyaç duyacağınız araçları keşfedecek ve karşılaşacağınız farklı ortam ve analiz türlerini inceleyeceksiniz.

<h2>MLOps Yaşam Döngüsü Hakkında Bilgi Edinin</h2>
Verilerinizi topladıktan, hazırladıktan ve etiketledikten sonra, farklı modeller üzerinde çok sayıda deney yapın ve şampiyon model ile konseptinizi kanıtladıktan sonra, bir sonraki adımlara geçme zamanı gelmiştir. İnşa etmek Dağıt. Monitör. Bakım. Bu, modelinizin üretime geçtikten sonraki yaşam döngüsüdür. Bu, MLOps'un Ops kısmıdır.

Bu kurs, modelinizin değer sunma yolculuğunun ikinci bölümünde nasıl ilerleyeceğinizi göstererek, gelecekte daha pek çok şey için bir referans noktası oluşturacaktır. MLOps yaşam döngüsünü keşfederek başlayacak, MLOps'un önemini ve model geliştirme, dağıtım, izleme ve bakım için temel işlevsel bileşenleri öğreneceksiniz.
<h2>Dağıtım için ML Kodu Geliştirme</h2>
Ardından, dağıtım için modeller geliştirmeyi, etkili ML kodu yazmayı, araçlardan yararlanmayı ve ML ardışık düzenlerini eğitmeyi öğreneceksiniz. İlerledikçe, modellerinizi nasıl dağıtacağınızı, farklı dağıtım ortamlarını ve bunları ne zaman kullanacağınızı keşfedeceksiniz. Ayrıca mevcut üretim modellerini değiştirmek için stratejiler geliştirecek ve API'leri inceleyeceksiniz.
<h2>Modellerinizi Nasıl İzleyeceğinizi Öğrenin</h2>
Kursu tamamladığınızda, ML modellerinizi izleme ve sürdürmenin arkasındaki önemli performans ölçütlerini keşfedeceksiniz. Üretimde sapma izleme, model geri bildirimi, güncellemeler ve yönetişim hakkında bilgi edineceksiniz.

İşiniz bittiğinde, MLOps yaşam döngüsünü kullanarak kendi modellerinizi üretim ortamında nasıl dağıtabileceğinizi anlayacaksınız.


MLOps Concepts

Bu derste, makine öğrenimi modellerinin yaşam döngüsü ve dağıtımını içeren modern MLOps çerçevesini keşfedeceksiniz.

MLOps Dağıtımı ve Yaşam Döngüsü

Bu kursta, modern MLOps çerçevesini inceleyerek makine öğrenimi modellerinin yaşam döngüsünü ve dağıtımını keşfedeceksiniz. 

Makine Öğrenimi Mühendisi

MLOps Temelleri

Bize _neyin_ yanlış olduğunu ve kök nedeni aramak için _nerede_ (hangi uygulama bileşeninde) bakmamız gerektiğini söylemelidir

Tüm çalışan ML uygulamalarını izlemek için merkezi bir hizmet olarak uygulanmalıdır

Önceki tüm büyük sorunların ve alınan önlem/iyileştirme adımlarının bir günlüğünü saklamalıdır.

Yalnızca çalışma süresi (uptime) ve gecikme (latency) gibi en önemli hizmet sağlık metriklerine odaklanmalıdır

Model tahminlerindeki olası etik dışı önyargıyı tamamen ortadan kaldırmalıdır

Herhangi bir kovaryat kayması tespit eder etmez ML hizmetini durdurmalıdır

İzleme sistemi

MLOps Dağıtımı ve Yaşam Döngüsü

Uygulamalı interaktif egzersiz