Нульовий простій із розгортанням blue/green

Тут ви застосуєте знання про стратегію розгортання blue/green. Вам потрібно впорядкувати низку тверджень, що описують кроки, необхідні для оновлення моделі за цією стратегією, у правильній послідовності.

Вважайте, що ви починаєте з працездатної моделі, яка обслуговує сервіси прогнозування: це ваше синє середовище (blue environment).

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

Ця вправа є частиною курсу

Повністю автоматизований MLOps

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Повністю автоматизований MLOps

SkillTag.level.intermediateSkillTag.label

4.8+

Почніть курс безкоштовно

У цьому першому розділі ми обґрунтуємо використання MLOps в індустрійному середовищі. Ви дізнаєтеся, чому він важливий для створення цінності в бізнесі. Також пригадаєте етапи ML, зосередившись на тому, як MLOps їх підсилює. Наприкінці розділу ви розглянете еталонну архітектуру повністю автоматизованої системи MLOps. Потім використаєте цю архітектуру, щоб дослідити компоненти, важливі для будь-якої MLOps-системи, і визначити відправну точку для решти курсу.

Exercise 1: Вступ до повністю автоматизованого MLOps Exercise 2: Прихований технічний борг доводиться сплачувати Exercise 3: Прихований технічний борг у ML — інший Exercise 4: Етапи життєвого циклу MLOps Exercise 5: Повністю автоматизований MLOps Exercise 6: Автоматизувати чи не автоматизувати...Exercise 7: Побудова зі врахуванням масштабування Exercise 8: Еталонна архітектура: повністю автоматизований MLOps Exercise 9: Еталонні архітектури в ІТ та MLOps Exercise 10: Компоненти архітектури MLOps

У цьому розділі ви продовжите досліджувати критично важливі компоненти, з яких складається повністю автоматизована система MLOps. Спочатку ви розглянете значення оркестрації в MLOps і те, як вона забезпечує ефективність і масштабованість ML-конвеєрів. Далі ознайомитеся з різними стратегіями розгортання в MLOps і навчитеся обирати відповідну стратегію для своєї системи. Нарешті, ви дізнаєтеся про CI/CD/CT/CM і про те, як це доповнює оркестрацію та найкращі практики для досягнення повної автоматизації в системах MLOps. Завдяки цим урокам ви будете краще підготовлені до створення повністю автоматизованої системи MLOps, яка є ефективною, точною та надійною.

Exercise 1: Автоматизоване відстеження експериментів Exercise 2: Що варто відстежувати?Exercise 3: Велика дискусія про відстеження експериментів: на чиєму ви боці?Exercise 4: Що саме ми тут відстежуємо?Exercise 5: Реєстр моделей Exercise 6: Не «перекидайте» модель через паркан!Exercise 7: Життєвий цикл ML‑моделі Exercise 8: Це завдання для реєстру моделей!Exercise 9: Сховище ознак в автоматизованій архітектурі MLOps Exercise 10: Перевага використання feature store Exercise 11: Ролі сховища ознак Exercise 12: Сховище метаданих Exercise 13: Метадані в MLOps Exercise 14: Повторне навчання моделі з метасховищем Exercise 15: Роль сховища метаданих у моніторингу MLOps

У цьому розділі ви зануритеся у світ автоматизації та навчитеся проєктувати більш стійкі й ефективні ML-системи. Спочатку ви розберетеся з основами автоматизації в системах MLOps, а потім відкриєте для себе силу шаблонів проєктування та механізмів відмовостійкості. Ви також дізнаєтеся, як упроваджувати автоматизоване тестування в системах MLOps і як використовувати налаштування гіперпараметрів для оптимізації моделей і робочих процесів. Наприкінці цього розділу ви матимете навички та знання, необхідні для створення й керування повністю автоматизованими системами MLOps, які водночас ефективні та надійні.

Exercise 1: Вступ до повної автоматизації та найкращих практик у MLOps Exercise 2: Автоматизація у робочих процесах MLOps Exercise 3: Рівні автоматизації в MLOps Exercise 4: Шаблон автоматизації, моніторингу та реагування на інциденти Exercise 5: Це шаблон проєктування?Exercise 6: Перетренувати, відкочити чи імпутувати?Exercise 7: Автоматизоване тестування в MLOps Exercise 8: Сміття на вході — сміття на виході… Застосуйте тести даних!Exercise 9: Тестування: традиційне та MLOps Exercise 10: Тестування: дані vs модель vs конвеєр Exercise 11: Автоматизований підбір гіперпараметрів Exercise 12: Параметр чи гіперпараметр?Exercise 13: Роль налаштування гіперпараметрів у MLOps Exercise 14: Автоматизація налаштування гіперпараметрів

У цьому фінальному розділі ви розглянете ключові компоненти автоматизованої архітектури MLOps. Від розуміння автоматизованого відстеження експериментів і реєстру моделей до вивчення сховища ознак і ролі сховища метаданих — цей розділ забезпечить вас цілісним розумінням тонкощів повністю автоматизованої системи MLOps. Незалежно від того, чи ви досвідчений фахівець з ML, чи тільки починаєте, цей розділ надасть знання та вміння, необхідні для проєктування автоматизованих робочих процесів MLOps.

Exercise 1: Оркестрація в MLOps Exercise 2: Навіщо модульність?Exercise 3: Оркестрація: dev vs. prod Exercise 4: DAG у робочих процесах MLOps Exercise 5: Аспекти оркестрації в MLOps Exercise 6: Автоматизація у стратегіях розгортання MLOps Exercise 7: Який це тип розгортання?Exercise 8: Чи підходить ця стратегія розгортання?Exercise 9: Нульовий простій із розгортанням blue/green

Поточна вправа

Exercise 10: CI/CD/CT/CM у повністю автоматизованому MLOps Exercise 11: Як CI/CD/CT/CM сприяє MLOps?Exercise 12: Безперервний моніторинг і безперервне навчання Exercise 13: CI/CD/CT/CM у MLOps Exercise 14: Підсумок