Giới thiệu tự động hóa toàn diện và các thực tiễn tốt nhất cho MLOps

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Bài tập này là một phần của khóa học

MLOps Tự động hoá Hoàn toàn

SkillTag.level.intermediateSkillTag.label

4.9+

341 reviews

Bắt đầu khóa học miễn phí

Trong chương đầu tiên, chúng ta làm rõ lý do áp dụng MLOps trong môi trường công nghiệp. Bạn sẽ tìm hiểu tầm quan trọng của MLOps trong việc hỗ trợ tạo ra giá trị cho doanh nghiệp. Bạn cũng sẽ ôn lại các giai đoạn của ML, tập trung vào cách MLOps nâng cấp những giai đoạn này. Cuối chương, bạn sẽ khám phá một kiến trúc tham chiếu cho hệ thống MLOps tự động hoá hoàn toàn. Từ đó, bạn sử dụng kiến trúc này để xem xét các thành phần quan trọng cho mọi hệ thống MLOps và làm điểm khởi đầu cho phần còn lại của khóa học.

Exercise 1: Giới thiệu về MLOps tự động hóa hoàn toàn Exercise 2: Phải trả khoản nợ kỹ thuật ẩn Exercise 3: Nợ kỹ thuật ẩn trong ML thì khác Exercise 4: Các giai đoạn trong vòng đời MLOps Exercise 5: MLOps tự động hóa hoàn toàn Exercise 6: Tự động hóa hay không tự động hóa...Exercise 7: Xây dựng để mở rộng quy mô Exercise 8: Kiến trúc tham chiếu: MLOps tự động hóa hoàn toàn Exercise 9: Kiến trúc tham chiếu trong IT và MLOps Exercise 10: Các thành phần của kiến trúc MLOps

Trong chương này, bạn sẽ tiếp tục khám phá các thành phần then chốt tạo nên một hệ thống MLOps tự động hoá hoàn toàn. Trước hết, bạn sẽ xem xét vai trò của hệ thống điều phối (orchestration) trong MLOps và cách nó giúp đảm bảo hiệu quả và khả năng mở rộng của pipeline ML. Sau đó, bạn sẽ tìm hiểu các chiến lược triển khai khác nhau trong MLOps và cách chọn chiến lược phù hợp cho hệ thống của bạn. Cuối cùng, bạn sẽ học về CI/CD/CT/CM và cách chúng bổ trợ cho điều phối cùng các thực hành tốt nhất để đạt tự động hoá toàn diện trong hệ thống MLOps. Với những bài học này, bạn sẽ sẵn sàng hơn để xây dựng một hệ thống MLOps tự động hoá hoàn toàn, hiệu quả, chính xác và đáng tin cậy.

Exercise 1: Tự động theo dõi thí nghiệm Exercise 2: Chúng ta nên theo dõi những gì?Exercise 3: Cuộc tranh luận về theo dõi thí nghiệm: Bạn đứng về phía nào?Exercise 4: Chúng ta đang theo dõi những gì?Exercise 5: Kho đăng ký mô hình Exercise 6: Đừng “ném” mô hình qua hàng rào!Exercise 7: Vòng đời ML model Exercise 8: Đây là việc của model registry!Exercise 9: Feature store trong kiến trúc MLOps tự động Exercise 10: Một lợi ích của việc dùng feature store Exercise 11: Vai trò của feature store Exercise 12: Kho siêu dữ liệu Exercise 13: Metadata trong MLOps Exercise 14: Huấn luyện lại mô hình với metadata store Exercise 15: Vai trò của metadata store trong giám sát MLOps

Trong chương này, bạn sẽ bước vào thế giới thú vị của tự động hoá và học cách thiết kế các hệ thống ML vững vàng và hiệu quả hơn. Bạn sẽ bắt đầu với những nền tảng về tự động hoá trong hệ thống MLOps, sau đó khám phá sức mạnh của các mẫu thiết kế và cơ chế an toàn (fail-safe). Bạn cũng sẽ học cách triển khai kiểm thử tự động trong hệ thống MLOps và sử dụng tinh chỉnh siêu tham số để tối ưu mô hình và quy trình làm việc. Đến cuối chương, bạn sẽ sở hữu kỹ năng và kiến thức cần thiết để xây dựng và quản lý các hệ thống MLOps tự động hoá hoàn toàn vừa hiệu quả vừa đáng tin cậy.

Exercise 1: Giới thiệu tự động hóa toàn diện và các thực tiễn tốt nhất cho MLOps

Bài tập hiện tại

Exercise 2: Tự động hóa trong quy trình làm việc MLOps Exercise 3: Các mức độ tự động hóa trong MLOps Exercise 4: Mẫu tự động hóa, giám sát và ứng phó sự cố Exercise 5: Đây có phải là một mẫu thiết kế?Exercise 6: Retrain, rollback hay impute?Exercise 7: Kiểm thử tự động trong MLOps Exercise 8: Rác vào - Rác ra... Hãy áp dụng kiểm thử dữ liệu!Exercise 9: Kiểm thử: Truyền thống vs. MLOps Exercise 10: Kiểm thử: Dữ liệu vs. mô hình vs. pipeline Exercise 11: Tinh chỉnh siêu tham số tự động Exercise 12: Parameter hay hyperparameter?Exercise 13: Vai trò của tinh chỉnh siêu tham số trong MLOps Exercise 14: Tự động hóa tinh chỉnh hyperparameter

Trong chương cuối cùng này, bạn sẽ đi sâu vào các thành phần cốt lõi của một kiến trúc MLOps tự động hoá. Từ việc hiểu theo dõi thí nghiệm tự động và sổ đăng ký mô hình (model registry) đến khám phá feature store và vai trò của metadata store, chương này được thiết kế để trang bị cho bạn cái nhìn toàn diện về những tinh tế của một hệ thống MLOps tự động hoá hoàn toàn. Dù bạn là người đã có kinh nghiệm ML hay mới bắt đầu, chương này sẽ cung cấp kiến thức và kỹ năng cần thiết để thiết kế các quy trình làm việc MLOps tự động hoá.

Exercise 1: Điều phối trong MLOps Exercise 2: Vì sao chúng ta nên mô-đun hóa?Exercise 3: Orchestration: phát triển vs. sản xuất Exercise 4: DAG trong các workflow MLOps Exercise 5: Các khía cạnh điều phối trong MLOps Exercise 6: Tự động hóa trong chiến lược triển khai MLOps Exercise 7: Đây là kiểu triển khai nào?Exercise 8: Đây có phải chiến lược triển khai phù hợp?Exercise 9: Duy trì zero downtime với triển khai blue/green Exercise 10: CI/CD/CT/CM trong MLOps tự động hoàn toàn Exercise 11: CI/CD/CT/CM đóng góp gì cho MLOps?Exercise 12: Continuous monitoring & continuous training Exercise 13: CI/CD/CT/CM trong MLOps Exercise 14: Tóm tắt