MLOps Engineering on AWS

3 Tage

Deutsch

In Kooperation mit

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

Einführung in den Kurs

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

Dein Nutzen

Bereitstellen deiner eigenen Modelle in der AWS Cloud
Automatisieren von Workflows zum Erstellen, Trainieren, Testen und Bereitstellen von ML-Modellen
Die verschiedenen Bereitstellungs-Strategien für die Implementierung von ML-Modellen in der Produktion
Überwachung der Daten- und Konzeptabweichung, die die Vorhersage und die Anpassung an die Geschäftserwartungen beeinträchtigen könnte

Trainer:in

Milo Fels

Methoden

Dieser Kurs besteht aus einem Online-Seminar und wird von einer:m Trainer:in geleitet, der:die die Teilnehmenden live betreut. Theorie und Praxis werden mit Live-Demonstrationen und praktischen Übungen vermittelt. Zum Einsatz kommt die Videokonferenz-Software Zoom.

Teilnehmer:innenkreis

Dieser Kurs richtet sich an die folgenden Jobrollen:

DevOps
Maschinelles Lernen & KI