Традиційне програмне забезпечення vs. MLOps

Традиційне програмне забезпечення значно менше залежить від вхідних даних, ніж застосунки машинного навчання, а їхні результати зазвичай детерміновані — ми знаємо, чого очікувати. Тому експлуатація та моніторинг моделей машинного навчання є набагато складнішими.

Ця вправа є частиною курсу

MLOps для бізнесу

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

MLOps для бізнесу

SkillTag.level.beginnerSkillTag.label

4.9+

Почніть курс безкоштовно

У першому розділі ми представимо MLOps і пояснимо, чому він необхідний компаніям, що прагнуть одночасно проєктувати, розробляти та експлуатувати кілька застосунків машинного навчання. Ви дізнаєтеся про головні елементи MLOps, зокрема масштабування та автоматизацію, його переваги та причини, чому MLOps усе ще лишається складним. Ви також дослідите, що потрібно, щоб розпочати шлях MLOps як з технологічного, так і з управлінського погляду.

Exercise 1: Що таке MLOps?Exercise 2: MLOps: набір практик, щоб ...Exercise 3: Які характеристики притаманні MLOps?Exercise 4: Бізнес-аргументи на користь MLOps Exercise 5: Дотичні до MLOps галузі Exercise 6: Як інвестувати в MLOps Exercise 7: Причини інвестувати в MLOps Exercise 8: Закладаємо основу для MLOps Exercise 9: Учасники команди MLOps Exercise 10: Передумови MLOps Exercise 11: Елементи MLOps

У другому розділі ви вивчите весь життєвий цикл MLOps — від проєктування та розроблення до розгортання й експлуатації. Ви розглянете, чому моніторинг критично важливий для продуктивних застосунків машинного навчання та чому моделі машинного навчання потрібно регулярно перевчати.

Exercise 1: MLOps від проєктування до експлуатації Exercise 2: Десять важливих кроків життєвого циклу MLOps Exercise 3: Основні етапи застосунку MLOps Exercise 4: Важливі завдання на головних етапах MLOps Exercise 5: Етап проєктування Exercise 6: Відкладання завдань етапу проєктування Exercise 7: План успіху: проєктування вашого MLOps‑проєкту Exercise 8: Етап розроблення Exercise 9: Завдання етапу розробки Exercise 10: Ролі на етапі розробки Exercise 11: Моніторинг, перевчитування та заміна застосунків MLOps Exercise 12: Характеристики життєвого циклу MLOps Exercise 13: Індивідуальні зони відповідальності під час розробки кейсу MLOps Exercise 14: Життєвий цикл MLOps

У третьому розділі ви перейдете від теорії до практики й дізнаєтеся про основні виклики та ризики розгортання моделей машинного навчання. Ви також зрозумієте, як успішно працюють команди MLOps і що може зробити менеджмент, щоб сприяти успішному масштабуванню машинного навчання.

Exercise 1: Бізнес-виклики та ризики, пов'язані з MLOps Exercise 2: Що робить MLOps складним?Exercise 3: Традиційне програмне забезпечення vs. MLOps

Поточна вправа

Exercise 4: Потенційні бізнес-ризики в MLOps Exercise 5: Як команди MLOps успішно працюють Exercise 6: Команди у стилі DevOps Exercise 7: Виклики впровадження MLOps Exercise 8: Стан MLOps сьогодні Exercise 9: Хибне твердження про MLOps Exercise 10: Чому MLOps є складним

У фінальному розділі ми покажемо, як успішно запустити MLOps у вашому бізнесі, розглянувши найкращі практики та помилки, яких слід уникати. Нарешті, ви проаналізуєте різні рівні зрілості MLOps і завершите курс реальним кейсом про проєктування, розроблення та експлуатацію застосунку машинного навчання для критичних виробничих процесів.

Exercise 1: Як бізнесу стати повністю готовим до MLOps Exercise 2: Валідні KPI для MLOps Exercise 3: Упорядкуйте рівні зрілості розгортання Exercise 4: Зрілість MLOps Exercise 5: Найкращі практики та підводні камені MLOps Exercise 6: Що нам потрібно тестувати?Exercise 7: (Не) найкраща практика Exercise 8: Кейс MLOps: як підвищити прибуток завдяки MLOps Exercise 9: Ключові моменти кейс-стаді Exercise 10: Підсумок