Ce cours repose sur la pratique DevOps courante en matière de développement de logiciels et l’étend pour créer, entraîner et déployer des modèles de machine learning (ML). Il souligne l’importance des données, des modèles et du code pour réussir les déploiements de machine learning. Il montre l’utilisation d’outils, de l’automatisation, de processus et du travail d’équipe pour répondre aux défis associés aux transferts entre ingénieurs en données, experts en données, développeurs de logiciel et les opérations. Ce cours discute également de l’utilisation des outils et processus pour surveiller et réagir lorsque le modèle de prédiction en production commence à dévier des indicateurs de performance clé convenus.
Jour 1Module 0 : Mot de bienvenue - Introduction à la formation
Module 1 : Introduction au MLOps - Fonctionnement du machine learning
- Le but de MLOps
- Communication
- De DevOps à MLOps
- Flux de travail de ML
- Champ d’application
- L’approche MLOps des flux de travail de ML
- Exemples de MLOps
Module 2 : Le développement MLOps - Introduction à la création, l’entraînement et l’évaluation des modèles de machine learning
- La sécurité MLOps
- Automatisation
- Apache Airflow
- Les intégrations Kubernetes pour MLOps
- Amazon SageMaker pour MLOps
- Lab : Intégrer votre propre algorithme à un pipeline de MLOps
- Démonstration : Amazon SageMaker
- Introduction à la création, l’entraînement et l’évaluation des modèles de machine learning
- Lab : Codez et exercez votre modèle de ML avec AWS CodeBuild
- Activité : MLOps Action Plan Workbook
Jour 2Module 3 : Déploiement MLOps - Introduction aux activités de déploiement
- Model packages
- Inférence
- Lab : Déployer votre modèle vers la production
- Les variantes de production de SageMaker
- Les stratégies de déploiement
- Déployer en périphérie
- Lab : Effectuer des tests A/B
- Activité : MLOps Action Plan Workbook
Jour 3Module 4 : Surveiller un modèle - Lab : Dépannage du pipeline
- L’importance de la surveillance
- Surveiller intentionnellement
- Lab : Surveiller votre modèle de ML
- Human-in-the-loop
- Amazon SageMaker Model Monitor
- Démonstration : Les pipelines Amazon SageMaker, Model Monitor, le catalogue de modèles et Feature Store
- Résoudre des problèmes
- Activité : MLOps Action Plan Workbook
Module 5 : Conclusion - Résumé du cours
- Activité : MLOps Action Plan Workbook
- Conclusion
Fait partie des cours suivants
-
MLOps Engineering on AWS – Formation intensive