Új MLOps Engineering on AWS

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.

• DevOps Engineer-ek számára
• ML Engineer-ek számára
• olyan fejlesztőknek, akik ML modellekkel dolgoznak

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

Az alábbi képzések elvégzése szükséges a tanfolyahoz:

• Technical Essentials on AWS
• DevOps Engineering on AWS
• Practical Data Science with Amazon SageMaker