MLOps Engineering on AWS (MLPOPS)
Tento kurz navazuje na metodologii DevOps rozšířenou v oblasti vývoje softwaru a rozšiřuje ji o sestavování, trénování a nasazování modelů strojového učení (ML). Kurz je založen na čtyřúrovňovém rámci vyspělosti MLOps. Kurz se zaměřuje na první tři úrovně, zahrnující počáteční, opakovatelnou a spolehlivou úroveň. Kurz zdůrazňuje význam dat, modelu a kódu pro úspěšné nasazení ML. Demonstruje využití nástrojů, automatizace, procesů a týmové spolupráce při řešení výzev spojených s předáváním mezi datovými inženýry, datovými vědci, vývojáři softwaru a provozem. Kurz se rovněž zabývá využitím nástrojů a procesů pro monitorování a přijímání opatření v případě, kdy se predikce modelu v produkčním prostředí odchyluje od dohodnutých klíčových ukazatelů výkonnosti.
- Úroveň kurzu: Středně pokročilá
- Délka trvání: 3 dny
Aktivity
Tento kurz zahrnuje prezentace, praktická cvičení, demonstrace, ověřování znalostí a aktivity v pracovním sešitě.
Cíle kurzu
V tomto kurzu se naučíte:
- Vysvětlit přínosy MLOps
- Porovnat a rozlišit DevOps a MLOps
- Vyhodnotit požadavky na bezpečnost a správu pro případ použití ML a popsat možná řešení a strategie zmírnění rizik
- Nastavit experimentální prostředí pro MLOps s Amazon SageMaker
- Vysvětlit osvědčené postupy pro správu verzí a zachování integrity aktiv ML modelu (data, model a kód)
- Popsat tři možnosti vytvoření kompletního CI/CD pipeline v kontextu ML
- Uvést osvědčené postupy pro implementaci automatizovaného balíčkování, testování a nasazování (data/model/kód)
- Demonstrovat způsob monitorování řešení založených na ML
- Demonstrovat způsob automatizace ML řešení, které testuje, balíčkuje a nasazuje model automatizovaným způsobem; detekuje degradaci výkonnosti; a přetrénuje model na základě nově získaných dat
Cílová skupina
Tento kurz je určen pro:
- MLOps inženýry, kteří chtějí uvést ML modely do produkce a monitorovat je v cloudu AWS
- DevOps inženýry, kteří budou zodpovědní za úspěšné nasazení a údržbu ML modelů v produkčním prostředí
Předpoklady
Doporučujeme, aby účastníci tohoto kurzu měli:
- AWS Technical Essentials (prezenční nebo digitální forma)
- DevOps Engineering on AWS nebo odpovídající praxi
- Practical Data Science with Amazon SageMaker nebo odpovídající praxi
Osnova kurzu
Den 1
Modul 1: Úvod do MLOps
- Procesy
- Lidé
- Technologie
- Bezpečnost a správa
- Model vyspělosti MLOps
Modul 2: Počáteční MLOps: Experimentální prostředí v SageMaker Studio
- Zavedení MLOps do experimentování
- Nastavení experimentálního prostředí ML
- Demonstrace: Vytvoření a aktualizace konfigurace životního cyklu pro SageMaker Studio
- Praktické cvičení: Zřízení prostředí SageMaker Studio pomocí AWS Service Catalog
- Pracovní sešit: Počáteční MLOps
Modul 3: Opakovatelné MLOps: Repozitáře
- Správa dat pro MLOps
- Správa verzí ML modelů
- Repozitáře kódu v ML
Modul 4: Opakovatelné MLOps: Orchestrace
- ML pipeline
- Demonstrace: Použití SageMaker Pipelines pro orchestraci pipeline sestavování modelů
Den 2
Modul 4: Opakovatelné MLOps: Orchestrace (pokračování)
- Komplexní orchestrace pomocí AWS Step Functions
- Praktické cvičení: Automatizace pracovního postupu pomocí Step Functions
- Komplexní orchestrace pomocí SageMaker Projects
- Demonstrace: Standardizace komplexního ML pipeline pomocí SageMaker Projects
- Použití nástrojů třetích stran pro opakovatelnost
- Demonstrace: Zkoumání zapojení člověka do smyčky během inference
- Správa a bezpečnost
- Demonstrace: Zkoumání osvědčených bezpečnostních postupů pro SageMaker
- Pracovní sešit: Opakovatelné MLOps
Modul 5: Spolehlivé MLOps: Škálování a testování
- Strategie škálování a více účtů
- Testování a přesměrování provozu
- Demonstrace: Použití SageMaker Inference Recommender
- Praktické cvičení: Testování variant modelu
Den 3
Modul 5: Spolehlivé MLOps: Škálování a testování (pokračování)
- Praktické cvičení: Přesměrování provozu
- Pracovní sešit: Strategie více účtů
Modul 6: Spolehlivé MLOps: Monitorování
- Význam monitorování v ML
- Praktické cvičení: Monitorování modelu z hlediska datového driftu
- Provozní aspekty monitorování modelu
- Náprava problémů identifikovaných monitorováním ML řešení
- Pracovní sešit: Spolehlivé MLOps
- Praktické cvičení: Sestavení a odstraňování problémů ML pipeline
Více od Amazon Web Services (AWS)
Advanced Architecting on AWS | Cloud
Advanced Architecting on AWS Jam Day | Cloud
Advanced Architecting on AWS with AWS Jam | Cloud
Advanced AWS Well-Architected Best Practices | Cloud
Advanced Generative AI Development on AWS | Cloud
Agentic AI Foundations | Cloud