MLOps
О курсе
Методы машинного обучения и искусственного инеллекта давно стали частью нашей жизни. С использованием этих технологий строятся интеллектуальные информационные системы, которые работают в совершенно разных областях. Но для построения и эксплуатации таких прикладных приложений недостаточно просто построить качественную модель, ее нужно интегрировать в существущую информационную систему.
MLOps - это набор практик и методов управления жизненным циклом моделей машинного обучения в процессе их использования в интеллектуальных информационных системах. Практики MLOps включают в себя модели жизненного цикла, рисков и интеграции моделей машинного обучения в прикладные приложения, автоматизация процессов версионирования, мониторинга и развертывания таких моделей.
Программа курса
| Название занятия | Методичка | Слайды | ||
|---|---|---|---|---|
| MO0 Основы MLOps | ||||
| Лекция: Основы MLOps | Слайды | |||
| Практика: Входной контроль | Методичка | |||
| Практика: Создание модели | Методичка | |||
| Практика: Создание приложения | Методичка | |||
| Практика: Повторная реализация | Методичка | |||
| Практика: Непосредственная интеграция | Методичка | |||
| Практика: Инкапсуляция модели | Методичка | |||
| Практика: Развертывание через Docker | ||||
| Практика: Развертывание через MLFlow | ||||
| Практика: Карта планирования ИИ-проекта | Методичка | |||
| Практика: Модель рисков ИИС | Методичка | |||
| Проект для самостоятельного выполнения | Методичка | |||
Тематический план
Программа данного курса включает:
- Жизненный цикл разработки и интеграции моделей машинного обучения
- Сериализация и десериализация моделей
- Мониторинг моделей, метрики эффективности и инвалидизации моделей
- Инструментальные средства версионирования и развертывания моделей
- Модель рисков интеллектуальных информационных систем
- Архитектура интеллектуальных информационных систем
Предварительные требования
Для плодотворного изучения данного курса будут необходимы такие навыки:
- Знакомство с основами машинного обучения и анализа данных в Python, опыт работы с библиотекой sklearn, желательно - знакомство с глубоким обучением;
- Основы практик и инструментов DevOps; системы контроля версий, Docker, виртуальные машины - на практике; модели интеграции, жизненный цикл ПО, развертывание - в теории;
- Знакомство с микросервисной архитектурой и разработкой веб-приложений (желателен опыт работы с серверными фреймворками, создание RestAPI).
Источники информации
Основное:
- K. Haller - Managing AI in the Enterprise
- P. Singh - Deploy machine learning models to production
- S. Alla, S.K. Adari - Beginning MLOps with MLFlow
- T. Taulli - Implementing AI Systems
Программное обеспечение
- Google Colab
- Jupyter notebook
- numpy, pandas, sklearn
- Docker
- MLFlow
- ClearML
- MetaFlow
- Seldon Core