MLOps Engineering on AWS
Il corso MLOps Engineering on AWS si basa ed estende la pratica DevOps prevalente nello sviluppo del software alla costruzione, alla formazione e alla distribuzione di modelli ML. Il corso sottolinea l’importanza di dati, modelli e codice per il successo delle implementazioni di ML. Verrà mostrato l’uso di strumenti, automazione, processi e lavoro di squadra per affrontare le sfide associate ai passaggi di mano tra ingegneri dei dati, scienziati dei dati, sviluppatori di software e operazioni.
COD: AW-MLOE
Categorie: AWS
Chi dovrebbe partecipare
- Ingegneri DevOps
- Ingegneri ML
- Sviluppatori/operatori con la responsabilità di rendere operativi i modelli di ML
Prerequisiti
Corsi:
- AWS Technical Essentials
- Practical Data Science with Amazon SageMaker
- DevOps Engineering on AWS
In questo corso imparerete a:
- Descrivere le operazioni di apprendimento automatico
- Comprendere le principali differenze tra DevOps e MLOps
- Descrivere il flusso di lavoro dell’apprendimento automatico
- Discutere l’importanza delle comunicazioni in MLOps
- Spiegare le opzioni end-to-end per l’automazione dei flussi di lavoro di ML
- Elencare le principali funzionalità di Amazon SageMaker per l’automazione MLOps
- Creare un processo di ML automatizzato che costruisca, addestri, testi e distribuisca i modelli.
- Operazioni di distribuzione
- Identificare le potenziali minacce alla sicurezza nel ML e spiegare gli approcci di mitigazione di base
- Descrivere perché il monitoraggio è importante
- Rilevare le derive nei dati di input sottostanti
- Dimostrare come monitorare i modelli di ML per individuare eventuali distorsioni
- Spiegare come monitorare il consumo di risorse e la latenza dei modelli.
Giorno 1
Modulo 1: Introduzione
- Introduzione al corso
Modulo 2: Introduzione alle MLOps
- Operazioni di apprendimento automatico
- Gli obiettivi delle operazioni di apprendimento automatico (MLOps)
- Il percorso da DevOps a MLOps
- Apprendimento automatico
- Ambito di applicazione
- Una visione MLOps del flusso di lavoro dell’apprendimento automatico
- La comunicazione
- Il valore di MLOps: casi MLOps
Giorno 2
Modulo 3: Sviluppo MLOps
- Introduzione alla costruzione, all’addestramento e alla valutazione dei modelli di apprendimento automatico
- Automatizzare
- Apache Airflow
- Integrazione di Kubernetes per MLOps
- Amazon SageMaker per MLOps
- Dimostrazione: Amazon SageMaker
- Introduzione alla costruzione, all’addestramento e alla valutazione di modelli di apprendimento automatico
- Dimostrazione: Panoramica del laboratorio
- Laboratorio: Portare il proprio algoritmo in una pipeline MLOps
- Attività di gruppo: Quaderno del piano d’azione MLOps
- Laboratorio: Codificare e servire il modello ML con AWS CodeBuild
Modulo 4: Distribuzione di MLOps
- Introduzione alle operazioni di deployment
- Confezionamento del modello
- Inferenza
- Laboratorio: Distribuzione del modello in produzione
- Varianti di produzione di SageMaker
- Strategie di distribuzione
- Distribuzione ai margini
- Sicurezza della distribuzione
- Laboratorio: Esecuzione di test A/B
- Attività di gruppo: Piano di lavoro MLOps
Giorno 3
Modulo 5: Monitoraggio del modello e operazioni
- L’importanza del monitoraggio
- Monitoraggio per progettazione
- Laboratorio: Monitoraggio del modello ML
- L’uomo nel ciclo
- Amazon SageMaker Model Monitor
- Demo: Amazon SageMaker Model Monitor
- Risolvere i problemi
- Attività di gruppo: Piano di lavoro MLOps
Modulo 6: Conclusione del corso
- Revisione del corso
- Attività di gruppo: Libro di lavoro sul piano d’azione MLOps
- Conclusione
Durata –Â 3 giorni
Erogazione – in Aula, On Site, Remoto
Requisiti PC e SW:
- Connessione Internet
- Web browser, Google Chrome
- Zoom
Lingua
- Formatore: Italiano
- Laboratori: Inglese
- Slide: Inglese
