AWS-MLO
Új MLOps Engineering on AWS
Ismertető
Ez a kurzus a szoftverfejlesztésben elterjedt DevOps gyakorlatra épül, és azt bővíti ki,
a Machine Learning (ML) modellek betanítására és telepítésére. A kurzus kiemeli az adatok, a modell és a kód fontosságát a sikeres ML telepítésekhez. Bemutatja az eszközökhasználatot, az automatizálást, a különböző folyamatokat és a
csapatmunkát, valamint azokat a kihívásokat, amelyek az adatmérnökök, adattudósok, szoftverfejlesztők és üzemeltetők közötti átadás-átvétellel kapcsolatosak.
A kurzus kielemzi továbbá az olyan eszközök és folyamatok használatát, melyek a nyomon követésben és a helyreigazításban játszanak fontos szerepet abban az esetben, amikor az előrejelzés a termelésben eltér a teljesítménytől.
Az oktató arra fogja ösztönözni a kurzus résztvevőit, hogy készítsenek MLOps cselekvési tervet a saját szervezetük számára, a kurzus alatt elsajátított tudás használatval, illetve a tanfolyam többi résztvevőjének segítségével.
Ezen a tanfolyamon megismered:
- a Deep Learning működését,
- a DevOps és az MLOps közötti legfontosabb különbségeket,
- a DL munkafolyamatát,
- a kommunikáció fontosságának az MLOps-ban,
- az ML munkafolyamatok automatizálásának végponttól végpontig tartó lehetőségeit,
- az Amazon SageMaker legfontosabb funkcióit az MLOps automatizálásához,
- az ML-folyamat létrehozását, amely modelleket épít, képez, tesztel és telepít,
- az olyan automatizált ML-folyamat létrehozását, amely a modellt a modell kódjának módosítása(i) alapján újratanítja,.
- a telepítési folyamat elemeinek és fontos lépéseinek meghatározását,
- a modellcsomagba illeszthető elemeket és azok használatát a tanítsban vagy a következtetésben,
- az Amazon SageMaker lehetőségeit a telepítésre szánt modellek kiválasztására, beleértve az ML keretrendszerek és beépített algoritmusok támogatását is,
- az ML skálázásának megkülönböztetését a más alkalmazások skálázásától,
- hogy mikor kell különböző megközelítéseket használni a következtetéshez,
- a különböző telepítési stratégiákat, előnyöket, kihívásokat és tipikus felhasználási eseteket,.
- a kihívásokat a gépi tanulás szélső eszközökre történő telepítésekor,
- a telepítés és a következtetés szempontjából fontos Amazon SageMaker funkciókat.
- a felügyelet fontosságát
- az adatok eltolódásának lehetséges okait az alapul szolgáló bemeneti adatokban,
- az ML-modellek torzítás-ellenőrzésének bemutatását,
- a modell erőforrás-fogyasztásának és késleltetésének nyomon követését,
- hogyan lehet a modellek eredményeinek emberi felülvizsgálatát a termelésbe integrálni.
Kinek ajánljuk?
- DevOps Engineer-ek számára
- ML Engineer-ek számára
- olyan fejlesztőknek, akik ML modellekkel dolgoznak
Tematika
Module 0: Welcome
- Course introduction
Module 1: Introduction to MLOps
- Machine learning operations
- Goals of MLOps
- Communication
- From DevOps to MLOps
- ML workflow
- Scope
- MLOps view of ML workflow
- MLOps cases Module
2: MLOps Development
- Intro to build, train, and evaluate machine learning models
- MLOps security
- Automating
- Apache Airflow
- Kubernetes integration for MLOps
- Amazon SageMaker for MLOps
- Lab: Bring your own algorithm to an MLOps pipeline
- Demonstration: Amazon SageMaker
- Intro to build, train, and evaluate machine learning models
- Lab: Code and serve your ML model with AWS CodeBuild
- Activity: MLOps Action Plan Workbook
Module 3: MLOps Deployment
- Introduction to deployment operations
- Model packaging
- Inference
- Lab: Deploy your model to production
- SageMaker production variants
- Deployment strategies
- Deploying to the edge
- Lab: Conduct A/B testing
- Activity: MLOps Action Plan Workbook
Module 4: Model Monitoring and Operations
- Lab: Troubleshoot your pipeline
- The importance of monitoring
- Monitoring by design
- Lab: Monitor your ML model
- Human-in-the-loop
- Amazon SageMaker Model Monitor
- Demonstration: Amazon SageMaker Pipelines, Model Monitor, model registry, and Feature Store
- Solving the Problem(s)
- Activity: MLOps Action Plan Workbook
Module 5: Wrap-up
- Course review
- Activity: MLOps Action Plan Workbook
- Wrap-up
Szükséges előképzettség
Az alábbi képzések elvégzése szükséges a tanfolyahoz:
- Technical Essentials on AWS
- DevOps Engineering on AWS
- Practical Data Science with Amazon SageMaker