MLOps Engineering on AWS

Classroom Schulung | Deutsch | Anspruch

Schulungsdauer: 3 Tage

Ziele

Dieser Kurs baut auf der DevOps-Praxis auf, die in der Softwareentwicklung weit verbreitet ist, und erweitert diese, um Modelle für Machine Learning (ML) zu erstellen, zu trainieren und bereitzustellen. Der Kurs unterstreicht die Bedeutung von Daten, Modellen und Code für erfolgreiche ML-Bereitstellungen. Es wird der Einsatz von Tools, Automatisierung, Prozessen und Teamarbeit bei der Bewältigung der Herausforderungen im Zusammenhang mit der Übergabe zwischen Dateningenieuren, Datenwissenschaftlern, Softwareentwicklern und dem Betrieb aufgezeigt. Der Kurs behandelt auch die Verwendung von Tools und Prozessen zur Überwachung und Ergreifung von Maßnahmen, wenn die Modellvorhersage in der Produktion beginnt, von den vereinbarten Leistungskennzahlen abzuweichen.

Dieser Kurs wird mit der offiziellen AWS Unterlage und Systemumgebung durchgeführt.

Zielgruppe

  • DevOps-Ingenieure
  • ML-Ingenieure
  • Entwickler mit Verantwortung für die Operationalisierung von ML-Modellen

Voraussetzungen

  • Practical Data Science with Amazon SageMaker
  • AWS Technical Essentials
  • DevOps Engineering on AWS

Agenda

Einführung in MLOps

  • Machine Learning Operations
  • Ziele von MLOps
  • Kommunikation
  • Von DevOps zu MLOps
  • ML-Arbeitsablauf
  • Umfang
  • MLOps-Sicht auf den ML-Workflow
  • MLOps-Fälle

MLOps-Entwicklung

  • Einführung in das Erstellen, Erlernen und Auswerten von Modellen des Machine Learning
  • MLOps-Sicherheit
  • Automatisieren
  • Apache Airflow
  • Kubernetes-Integration für MLOps
  • Amazon SageMaker für MLOps
  • Einen eigenen Algorithmus in eine MLOps-Pipeline einbinden
  • Demonstration: Amazon SageMaker
  • Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
  • Code und Bereitstellung Ihres ML-Modells mit AWS CodeBuild

MLOps-Bereitstellung

  • Einführung in die Bereitstellungsvorgänge
  • Modell-Paketierung
  • Inferenz
  • Einsetzen des Modells in der Produktion
  • SageMaker Produktionsvarianten
  • Strategien für den Einsatz
  • Einsatz an der Grenze
  • Durchführen von A/B-Tests

Modellüberwachung und Betrieb

  • Fehlersuche in Ihrer Pipeline
  • Die Bedeutung der Überwachung
  • Überwachung durch Design
  • ML-Modell überwachen
  • Der Mensch in der Schleife
  • Amazon SageMaker Modell-Überwachung
  • Amazon SageMaker Pipelines, Model Monitor, Model Registry und Feature Store
  • Lösen des Problems/der Probleme

Wrap-up

Ziele

Dieser Kurs baut auf der DevOps-Praxis auf, die in der Softwareentwicklung weit verbreitet ist, und erweitert diese, um Modelle für Machine Learning (ML) zu erstellen, zu trainieren und bereitzustellen. Der Kurs unterstreicht die Bedeutung von Daten, Modellen und Code für erfolgreiche ML-Bereitstellungen. Es wird der Einsatz von Tools, Automatisierung, Prozessen und Teamarbeit bei der Bewältigung der Herausforderungen im Zusammenhang mit der Übergabe zwischen Dateningenieuren, Datenwissenschaftlern, Softwareentwicklern und dem Betrieb aufgezeigt. Der Kurs behandelt auch die Verwendung von Tools und Prozessen zur Überwachung und Ergreifung von Maßnahmen, wenn die Modellvorhersage in der Produktion beginnt, von den vereinbarten Leistungskennzahlen abzuweichen.

Dieser Kurs wird mit der offiziellen AWS Unterlage und Systemumgebung durchgeführt.

Zielgruppe

  • DevOps-Ingenieure
  • ML-Ingenieure
  • Entwickler mit Verantwortung für die Operationalisierung von ML-Modellen

Voraussetzungen

  • Practical Data Science with Amazon SageMaker
  • AWS Technical Essentials
  • DevOps Engineering on AWS

Agenda

Einführung in MLOps

  • Machine Learning Operations
  • Ziele von MLOps
  • Kommunikation
  • Von DevOps zu MLOps
  • ML-Arbeitsablauf
  • Umfang
  • MLOps-Sicht auf den ML-Workflow
  • MLOps-Fälle

MLOps-Entwicklung

  • Einführung in das Erstellen, Erlernen und Auswerten von Modellen des Machine Learning
  • MLOps-Sicherheit
  • Automatisieren
  • Apache Airflow
  • Kubernetes-Integration für MLOps
  • Amazon SageMaker für MLOps
  • Einen eigenen Algorithmus in eine MLOps-Pipeline einbinden
  • Demonstration: Amazon SageMaker
  • Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
  • Code und Bereitstellung Ihres ML-Modells mit AWS CodeBuild

MLOps-Bereitstellung

  • Einführung in die Bereitstellungsvorgänge
  • Modell-Paketierung
  • Inferenz
  • Einsetzen des Modells in der Produktion
  • SageMaker Produktionsvarianten
  • Strategien für den Einsatz
  • Einsatz an der Grenze
  • Durchführen von A/B-Tests

Modellüberwachung und Betrieb

  • Fehlersuche in Ihrer Pipeline
  • Die Bedeutung der Überwachung
  • Überwachung durch Design
  • ML-Modell überwachen
  • Der Mensch in der Schleife
  • Amazon SageMaker Modell-Überwachung
  • Amazon SageMaker Pipelines, Model Monitor, Model Registry und Feature Store
  • Lösen des Problems/der Probleme

Wrap-up

Tags

Diese Seite weiterempfehlen