Kurs
digicode: RAI50C
MLOps Practices with Red Hat OpenShift AI – RHLS Course
Kurs-Facts
Als PDF herunterladen- Umsetzen einer erfolgreichen MLOps-Einführung unter Nutzung bewährter offener Strukturen und Praktiken für Kundeninnovationen
- Kombinieren der besten Open-Source-Tools zur Schaffung eines vollständigen MLOps-Workflows, der kontinuierliche Erkundung, kontinuierliches Training und kontinuierliche Bereitstellung miteinander verbindet
- Fördern funktionsübergreifender Zusammenarbeit zur Verbesserung der Teamabstimmung und der Bereitstellungseffizienz durch die Überwindung traditioneller Silos
- Beherrschen des gesamten Lebenszyklus einer prädiktiven intelligenten Anwendung, von der Ideenfindung über Experimente im inneren Regelkreis bis hin zur Produktion
- Automatisieren von Modelltrainingsprozessen durch den Übergang von Experimenten zu produktionsreifen Trainingspipelines
- Durchführen fortgeschrittener Bereitstellungen, einschliesslich Auto-Scaling und Mustern wie Canary und Blue-Green, um sichere und nahtlose Modell-Rollouts zu gewährleisten
- Aufrechterhalten einer optimalen Modellleistung durch kontinuierliche Überwachung und Einführung von Datenversionierung für verbesserte Rückverfolgbarkeit
- Sichern von Machine-Learning-Modellen durch die Implementierung automatisierter Sicherheitsvorkehrungen und die Nutzung robuster Feature Stores
Dieser Kurs ist ein fünftägiger Intensivkurs, der den Teilnehmenden die Möglichkeit bietet, eine erfolgreiche MLOps-Einführung zu erleben und zu implementieren. Während sich viele KI- oder Data-Science-Trainingsprogramme auf ein bestimmtes Framework oder eine bestimmte Technologie konzentrieren, wird in diesem Kurs erläutert, wie die besten Open Source-Tools in einem vollständigen MLOps-Workflow zusammenarbeiten. Die Plattform vereint Continuous Discovery, Continuous Training und Continuous Delivery in einem hochinteressanten Erlebnis, das reale ML-Szenarien simuliert.
Um die Lernziele zu erreichen, sollten die Teilnehmenden mehrere Rollen aus dem gesamten Unternehmen umfassen. Data Scientists, Machine Learning Engineers, Platform Engineers, Architekten und Produkteigentümer sammeln Erfahrungen, wenn sie über ihre traditionellen Silos hinaus arbeiten. Die tägliche Routine simuliert ein reales Bereitstellungsteam, in dem funktionsübergreifende Teams lernen, wie Zusammenarbeit Innovationen fördert. Dank gemeinsamer Erfahrungen und Best Practices kann das Team das Gelernte anwenden, um die Unternehmenskultur und -mission bei der Verfolgung neuer Projekte und verbesserter Prozesse zum Erfolg zu führen.
Was ist MLOps?
Herausfinden, welche Prinzipien, Praktiken und kulturellen Elemente ein MLOps-Modell für die Entwicklung und Bereitstellung von ML-Modellen ausmachen.
Innere Schleife
Mit den notwendigen Tools vertraut machen, um unser Modell zu testen und zu entwickeln. Wir erstellen eine Workbench, untersuchen den Datensatz, verfolgen unsere Experimente und stellen unsere Modelle bereit.
Trainings-Pipelines
Zur Automatisierung der vorherigen Schritte zur produktiven Durchführung unseres Modelltrainings übergehen.
Äussere Schleife
Einführung in MLOps: eine Reihe von Praktiken, mit denen Workflows und Deployments für maschinelles Lernen automatisiert und vereinfacht werden.
Hier erstellen wir unsere MLOps-Umgebung, in der die Continuous Training Pipeline, das automatisierte Deployment und die unterstützenden Tools ausgeführt werden.
Überwachung
ML-Modelle können durch verschiedene Faktoren beeinflusst werden, darunter Änderungen von Datenmustern, Veränderungen im Nutzerverhalten und sich ändernde externe Bedingungen. Durch die Implementierung einer kontinuierlichen Überwachung identifizieren wir diese Änderungen proaktiv, bewerten ihre Auswirkungen auf die Modellgenauigkeit und nehmen notwendige Anpassungen vor, um eine optimale Performance zu gewährleisten.
Datenversionierung
Nachverfolgbarkeit durch Einführung der Versionierung für unsere Datensätze verbessern, da diese sich im Laufe der Zeit ändern.
Advanced Deployments
Vor- und Nachbereitung von Daten und Vorhersagen korrekt durchführen, die automatische Skalierung zur Bewältigung von Lasten und Einführung fortschrittlicher Bereitstellungsmuster wie Canary- und Blue-Green-Bereitstellungen prüfen, um sichere und nahtlose Rollouts von Modellen zu gewährleisten.
Feature Stores
Robuste Methoden für den Umgang mit Daten-Features und deren Änderungen sowie Sicherstellung, dass die Features zwischen Training und Serving homogen bleiben.
Sicherheit
Automatisierte Sicherheitsrichtlinien implementieren, um die Compliance mit den Sicherheitspraktiken des Unternehmens zu gewährleisten, und erweitere diese auf die Modelle.
Diese Erfahrung zeigt, wie Einzelpersonen in verschiedenen Rollen lernen müssen, sich auszutauschen, zusammenzuarbeiten und auf ein gemeinsames Ziel hinzuarbeiten, um positive Ergebnisse zu erzielen und Innovationen zu fördern.
Dies ist besonders nützlich für:
- Nutzende der MLOps-Plattform: Data Scientists, Data Engineers und Anwendungsentwicklungsteams.
- MLOps-Plattformanbieter: Machine Learning Engineers, MLOps Engineers und Platform Engineers.
- Stakeholder der MLOps-Plattform: Architects und IT-Manager.
Das Szenario umfasst technische Aspekte bei der Arbeit mit ML-Systemen und bietet praktische Einblicke, wie diese Rollen ihre Arbeit abstimmen können.
In diesem Kurs erlernst du, wie du deinen Kunden kontinuierlich einen Mehrwert bietest, indem du neue Modelle schneller auf den Markt bringst. Unsere Trainer berichten von ihren Erfahrungen und Best Practices, die sie im Rahmen der direkten Zusammenarbeit mit Kunden im Rahmen von Red Hat Services erlangt haben.
- Umfassende Kenntnisse von KI oder Red Hat AI Foundations sind von Vorteil