Các KPI MLOps hợp lệ

Người ta nói rằng chỉ những gì được đo lường mới được quản lý. Vì vậy, hãy nghĩ cách đo lường hiệu suất của đội MLOps. Phát biểu nào không phải là cách diễn đạt tốt cho các chỉ số hiệu suất chính (KPI) trong MLOps?

Bài tập này là một phần của khóa học

MLOps cho Doanh nghiệp

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

MLOps cho Doanh nghiệp

SkillTag.level.beginnerSkillTag.label

4.9+

Bắt đầu khóa học miễn phí

Chương đầu tiên sẽ giới thiệu MLOps và lý do tại sao nó cần thiết cho các doanh nghiệp muốn đồng thời thiết kế, phát triển và vận hành nhiều ứng dụng machine learning. Bạn sẽ tìm hiểu các yếu tố chính của MLOps như khả năng mở rộng và tự động hóa, lợi ích của MLOps, và vì sao MLOps vẫn còn thách thức. Bạn cũng sẽ khám phá cần chuẩn bị những gì để bắt đầu hành trình MLOps từ cả góc độ công nghệ và quản trị.

Exercise 1: MLOps là gì?Exercise 2: MLOps: một bộ thực hành để ...Exercise 3: Những đặc trưng của MLOps là gì?Exercise 4: Các luận điểm kinh doanh cho MLOps Exercise 5: Các lĩnh vực liên quan đến MLOps Exercise 6: Đầu tư vào MLOps như thế nào Exercise 7: Lý do để đầu tư vào MLOps Exercise 8: Đặt nền tảng cho MLOps Exercise 9: Thành viên trong nhóm MLOps Exercise 10: Điều kiện tiên quyết của MLOps Exercise 11: Các yếu tố của MLOps

Ở chương thứ hai, bạn sẽ tìm hiểu toàn bộ vòng đời MLOps từ thiết kế đến phát triển, triển khai và vận hành. Bạn sẽ khám phá vì sao giám sát là yếu tố thiết yếu cho các ứng dụng machine learning hiệu quả và tại sao chúng ta phải thường xuyên huấn luyện lại các mô hình machine learning.

Exercise 1: Giải thích MLOps từ đầu đến cuối Exercise 2: Mười bước quan trọng trong vòng đời MLOps Exercise 3: Các giai đoạn chính của một ứng dụng MLOps Exercise 4: Nhiệm vụ quan trọng trong các giai đoạn chính của MLOps Exercise 5: Giai đoạn thiết kế Exercise 6: Trì hoãn các nhiệm vụ giai đoạn thiết kế Exercise 7: Bản thiết kế thành công: Thiết kế dự án MLOps của bạn Exercise 8: Giai đoạn phát triển Exercise 9: Nhiệm vụ phát triển Exercise 10: Vai trò trong giai đoạn phát triển Exercise 11: Giám sát, huấn luyện lại và thay thế các ứng dụng MLOps Exercise 12: Đặc trưng của vòng đời MLOps Exercise 13: Trách nhiệm cá nhân trong việc phát triển một use case MLOps Exercise 14: Vòng đời MLOps

Trong chương thứ ba, bạn sẽ chuyển từ lý thuyết sang thực hành và khám phá các thách thức, rủi ro chính khi triển khai mô hình machine learning. Bạn cũng sẽ học cách các nhóm MLOps vận hành hiệu quả và vai trò của quản lý trong việc thúc đẩy mở rộng machine learning thành công.

Exercise 1: Thách thức kinh doanh và rủi ro liên quan đến MLOps Exercise 2: Điều gì khiến MLOps đầy thách thức?Exercise 3: Phần mềm truyền thống vs. MLOps Exercise 4: Các rủi ro kinh doanh tiềm ẩn trong MLOps Exercise 5: Cách các nhóm MLOps vận hành hiệu quả Exercise 6: Các đội kiểu DevOps Exercise 7: Những thách thức khi triển khai MLOps Exercise 8: Thực trạng MLOps ngày nay Exercise 9: Một phát biểu sai về MLOps Exercise 10: Vì sao MLOps đầy thách thức

Chương cuối sẽ hướng dẫn cách khởi động hành trình MLOps cho doanh nghiệp một cách hiệu quả thông qua các thực tiễn tốt nhất và những sai lầm cần tránh. Cuối cùng, bạn sẽ xem xét các cấp độ trưởng thành của MLOps và kết thúc khóa học bằng một nghiên cứu tình huống thực tế về thiết kế, phát triển và vận hành một ứng dụng machine learning cho các quy trình sản xuất quan trọng.

Exercise 1: Doanh nghiệp cần làm gì để sẵn sàng MLOps toàn diện Exercise 2: Các KPI MLOps hợp lệ

Bài tập hiện tại

Exercise 3: Sắp xếp mức độ trưởng thành triển khai Exercise 4: Mức độ trưởng thành MLOps Exercise 5: Thực hành tốt và cạm bẫy trong MLOps Exercise 6: Chúng ta cần kiểm thử những gì?Exercise 7: (Không hẳn) là thực hành tốt nhất Exercise 8: Nghiên cứu tình huống MLOps: Tăng lợi nhuận với MLOps Exercise 9: Những điểm chính của nghiên cứu tình huống Exercise 10: Tổng kết