AWS - MLOps Engineering on AWS

Seminarinhalt

Einführung in MLOps

• Operationen des maschinellen Lernens
• 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, Trainieren und Bewerten von Modellen für maschinelles Lernen
• MLOps-Sicherheit
• Automatisieren
• Apache Airflow
• Kubernetes-Integration für MLOps
• Amazon SageMaker für MLOps
• Bringen Sie Ihren eigenen Algorithmus in eine MLOps-Pipeline ein
• Amazon SageMaker
• Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
• Code und Bereitstellung Ihres ML-Modells mit AWS CodeBuild
• Das Arbeitsbuch zum MLOps-Aktionsplan

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
• MLOps-Aktionsplan Arbeitsbuch

Modellüberwachung und Betrieb

• Fehlersuche in Ihrer Pipeline
• Die Bedeutung der Überwachung
• Überwachung durch Design
• Überwachen Sie Ihr ML-Modell
• Human-in-the-loop
• Amazon SageMaker Modell-Monitor
• Amazon SageMaker Pipelines, Model Monitor, Model Registry und Feature Store
• Lösen des Problems/der Probleme
• Das MLOps Action Plan Workbook

Nachbereitung

• Nachbearbeitung der MLOps-Aktionsplan-Arbeitsmappe

Voraussetzungen

Erforderlich:

• AWS Technical Essentials (AWSE)
• DevOps Engineering on AWS (AWSDEVOPS)
• Practical Data Science with Amazon SageMaker (PDSASM)

Zusätzlich Empfohlen:

• The Elements of Data Science (digitaler Kurs) oder gleichwertige Erfahrung
• Machine Learning Terminology and Process (digitaler Kurs)

Zielgruppe

• DevOps Engineers
• ML Engineers
• Entwickler/Betriebe mit Verantwortung für die Operationalisierung von ML-Modellen