Könnte dein Workflow für maschinelles Lernen (ML) etwas DevOps-Flexibilität vertragen? MLOps Engineering on AWS hilft dir, DevOps-ähnliche Praktiken in die Erstellung, das Training und die Bereitstellung von ML-Modellen zu integrieren.
Inhalte
ML-Datenplattform-Ingenieur:innen, DevOps-Ingenieur:innen und Entwickler:innen/Betriebsmitarbeiter:innen, die für die Operationalisierung von ML-Modellen verantwortlich sind, werden lernen, die Herausforderungen bei der Übergabe zwischen Dateningenieur:innen, Datenwissenschaftler:innen, Softwareentwickler:innen und Betriebsmitarbeiter:innen durch den Einsatz von Tools, Automatisierung, Prozessen und Teamarbeit zu bewältigen. Am Ende des Kurses kannst du vom Lernen zum Handeln übergehen, indem du einen MLOps-Aktionsplan für dein Unternehmen erstellst.
Tag 1
Modul 0: Begrüßung
Modul 1: Einführung in MLOps
- Operationen des maschinellen Lernens
- Ziele von MLOps
- Kommunikation
- Von DevOps zu MLOps
- ML-Workflow
- Umfang
- MLOps-Sicht auf den ML-Workflow
- MLOps-Fälle
Modul 2: MLOps-Entwicklung
- Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
- MLOps-Sicherheit
- Automatisieren
- Apache Airflow
- Kubernetes-Integration für MLOps
- Amazon SageMaker für MLOps
- Übung: Bringe dir deinen eigenen Algorithmus in eine MLOps-Pipeline ein
- Demo: Amazon SageMaker
- Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
- Übung: Code und Bereitstellung deines ML-Modells mit AWS CodeBuild
- Aktivität: MLOps-Aktionsplan-Arbeitsbuch
Tag 2
Modul 3: MLOps-Bereitstellung
- Einführung in die Bereitstellungsvorgänge
- Modell-Paketierung
- Inferenz
- Übung: Einsetzen des Modells in der Produktion
- SageMaker-Produktionsvarianten
- Strategien für den Einsatz
- Einsatz an der Grenze
- Übung: Durchführen von A/B-Tests
- Aktivität: MLOps-Aktionsplan-Arbeitsbuch
Tag 3
Modul 4: Modellüberwachung und Betrieb
- Übung: Fehlersuche in deiner Pipeline
- Die Bedeutung der Überwachung
- Überwachung durch Design
- Übung: Überwachen Sie Ihr ML-Modell
- Der Mensch in der Schleife
- Amazon SageMaker Modell-Überwachung
- Demo: Amazon SageMaker Pipelines, Model Monitor, Model Registry und Feature
- Speichern
- Lösen des Problems/der Probleme
- Aktivität: MLOps-Aktionsplan-Arbeitsbuch
Modul 5: Nachbereitung
- Wiederholung des Kurses
- Aktivität: MLOps-Aktionsplan-Arbeitsbuch
- Nachbereitung
