MLOps Engineering on AWS [GK7395]

OVERVIEW

Deze cursus bouwt voort op en breidt de DevOps-methodologie uit die gangbaar is in softwareontwikkeling om machine learning-modellen (ML) te bouwen, te trainen en te implementeren. De cursus is gebaseerd op het volwassenheidskader van MLOP's op vier niveaus. De cursus richt zich op de eerste drie niveaus, inclusief de aanvankelijke, herhaalbare en betrouwbare niveaus. De cursus benadrukt het belang van gegevens, modellen en code voor succesvolle ML-implementaties. Het demonstreert het gebruik van tools, automatisering, processen en teamwerk bij het aanpakken van de uitdagingen die gepaard gaan met overdrachten tussen data-engineers, datawetenschappers, softwareontwikkelaars en operations. De cursus bespreekt ook het gebruik van tools en processen om te monitoren en actie te ondernemen wanneer de modelvoorspelling in productie afwijkt van overeengekomen key performance indicators.

OBJECTIVES

In deze cursus leer je:

• Leg de voordelen van MLOps uit
• Vergelijk en contrasteer DevOps en MLOps
• Evalueer de beveiligings- en governancevereisten voor een ML-gebruiksscenario en beschrijf mogelijke oplossingen en mitigatiestrategieën
• Experimenteeromgevingen instellen voor MLOps met Amazon SageMaker
• Uitleg over best practices voor versiebeheer en het onderhouden van de integriteit van ML-modelassets (gegevens, model en code)
• Beschrijf drie opties voor het maken van een volledige CI/CD-pijplijn in een ML-context
• Roep best practices op voor het implementeren van geautomatiseerde verpakking, testen en implementatie. (Gegevens/model/code)
• Demonstreer hoe u op ML gebaseerde oplossingen kunt monitoren
• Laat zien hoe u een ML-oplossing kunt automatiseren die een model op een geautomatiseerde manier test, verpakt en implementeert; detecteert prestatievermindering; en traint het model opnieuw op basis van nieuw verworven gegevens

AUDIENCE

Deze cursus is bedoeld voor:

- MLOps-engineers die ML-modellen willen produceren en monitoren in de AWS-cloud
- DevOps-engineers die verantwoordelijk zijn voor het succesvol implementeren en onderhouden van ML-modellen in productie

CONTENT

Dag 1

Module 1: Inleiding tot MLOps

• Processen
• Volk
• Technologie
• Beveiliging en governance
• MLOps-volwassenheidsmodel

Module 2: Initiële MLOps: experimenteeromgevingen in SageMaker Studio

• MLOps naar experimenten brengen
• De ML-experimenteeromgeving instellen
• Demonstratie: Een levenscyclusconfiguratie maken en bijwerken voor SageMaker Studio
• Hands-On Lab: Een SageMaker Studio-omgeving inrichten met de AWS-servicecatalogus
• Werkboek: Initiële MLOps

Module 3: Herhaalbare MLOps: Repositories

• Gegevens beheren voor MLOps
• Versiebeheer van ML-modellen
• Code-opslagplaatsen in ML

Module 4: Herhaalbare MLOps: orkestratie

• ML-pijplijnen
• Demonstratie: SageMaker-pijplijnen gebruiken om modelbouwpijplijnen te orkestreren

Dag 2

Module 4: Herhaalbare MLOps: Orkestratie (vervolg)

• End-to-end orkestratie met AWS Step Functions
• Hands-On Lab: een workflow automatiseren met stapfuncties
• End-to-end orkestratie met SageMaker Projects
• Demonstratie: Een end-to-end ML-pijplijn standaardiseren met SageMaker Projects
• Tools van derden gebruiken voor herhaalbaarheid
• Demonstratie: Human-in-the-loop verkennen tijdens inferentie
• Governance en veiligheid
• Demonstratie: Best practices voor beveiliging verkennen voor SageMaker
• Werkboek: Herhaalbare MLOps

Module 5: Betrouwbare MLOps: schalen en testen

• Schaalvergroting en strategieën voor meerdere accounts
• Testen en verkeer verschuiven
• Demonstratie: SageMaker Inference Recommender gebruiken
• Hands-on lab: modelvarianten testen

Dag 3

Module 5: Betrouwbare MLOps: schalen en testen (vervolg)

• Hands-on lab: Verkeer verschuiven
• Werkboek: Strategieën voor meerdere accounts

Module 6: Betrouwbare MLOps: Monitoring

• Het belang van monitoring in ML
• Hands-On Lab: Een model monitoren op datadrift
• Overwegingen bij bewerkingen voor modelbewaking
• Problemen oplossen die zijn geïdentificeerd door het bewaken van ML-oplossingen
• Werkboek: Betrouwbare MLOps
• Hands-On Lab: een ML-pijplijn bouwen en problemen oplossen