MLOps Engineering on AWS - Seminar / Kurs von tecRacer Consulting GmbH

Könnte Ihr Workflow für maschinelles Lernen (ML) etwas DevOps-Flexibilität vertragen?

MLOps Engineering on AWS hilft Ihnen, DevOps-ähnliche Praktiken in die Erstellung, Schulung und Bereitstellung von ML-Modellen einzubringen. ML Data Platform Engineers, DevOps Engineers und Entwickler, die für die Operationalisierung von ML-Modellen verantwortlich sind, werden lernen, die Herausforderungen zu bewältigen, die mit der Übergabe zwischen Dateningenieuren, Datenwissenschaftlern, Softwareentwicklern und Betriebsmitarbeitern verbunden sind. Dies gelingt durch den Einsatz von Tools, Automatisierung, Prozessen und Teamarbeit. Am Ende des Kurses können Sie vom Lernen zum Handeln übergehen und einen konkreten MLOps-Aktionsplan für Ihr Unternehmen erstellen.

Dieser Kurs baut auf der in der Softwareentwicklung vorherrschenden DevOps-Praxis auf und erweitert sie, um Modelle für maschinelles Lernen (ML) zu erstellen, zu trainieren und bereitzustellen. Die Bedeutung von Daten, Modellen und Code für erfolgreiche ML-Bereitstellungen wird vermittelt. Im Kurs wird der Einsatz von Tools, Automatisierung, Prozessen und Teamwork demonstriert, um die Herausforderungen zu bewältigen, die mit Übergaben zwischen Dateningenieuren, Datenwissenschaftlern, Softwareentwicklern und dem Betrieb verbunden sind. Die Verwendung von Werkzeugen und Prozessen zur Überwachung und Ergreifung von Maßnahmen wird diskutiert, wenn die Modellvorhersage in der Produktion von vereinbarten Leistungskennzahlen abweicht.

Der Dozent ermutigt die Teilnehmer dieses Kurses, einen MLOps-Aktionsplan für ihre Organisation durch tägliche Reflexion der Unterrichts- und Laborinhalte sowie durch Gespräche mit Kollegen und Dozenten zu erstellen.

Dieser Kurs setzt sich zusammen aus:

• Schulung mit Kursleiter
• Praktische Übungen

Modul 1: Sicherheit in AWS

• Operationen des maschinellen Lernens
• Die Ziele von MLOps
• Kommunikation
• Von DevOps zu MLOps
• ML Workflow
• Scope
• MLOps Ansicht des ML Workflows
• MLOps Beispiele

Modul 2: Entwicklung von MLOPs

• Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
• MLOps Sicherheit
• Automatisierung
• Apache Airflow
• Kubernetes Integration für MLOps
• Amazon SageMaker für MLOps
• Übung: Bringen Sie Ihren eigenen Algorithmus in eine MLOps-Pipeline ein
• Demonstration: Amazon SageMaker
• Übung: Programmieren und Bereitstellen Ihres ML-Modells mit AWS CodeBuild
• Übung: MLOps Aktionsplan Arbeitsmappe

Modul 3: MLOPs Deployment

• Einführung in die Deployment-Operationen
• Model Packaging
• Inferenz
• Übung: Ihr Modell in die Produktion überführen
• SageMaker Produktionsvarianten
• Deployment Strategien
• Deploying direkt am Entstehungsort der Daten
• Übung: Durchführung von A/B-Tests
• Übung: MLOps Aktionsplan Arbeitsmappe

Modul 4: Monitoring und Betrieb des Modells

• Übung: Fehlerbehebung in der Pipeline
• Die Wichtigkeit von Monitoring
• Monitoring durch Design
• Labor: Ihr ML-Modell überwachen
• Human-in-the-loop
• Amazon SageMaker Model Monitor
• Demonstration: Amazon SageMaker Pipelines, Model Monitor, Model Registry und Feature Store
• Lösen von Problemen
• Übung: MLOps Aktionsplan Arbeitsmappe

Modul 5: Nachbereitung

• Kursrückblick
• Übung: MLOps Aktionsplan Arbeitsmappe
• Nachbereitung

Kursunterlagen sind auf Englisch, auf Wunsch auch auf Deutsch (wenn verfügbar).Kurssprache ist Deutsch, auf Wunsch auch auf Englisch.

Was Sie in diesem Kurs lernen:

• Beschreiben Sie die Abläufe des maschinellen Lernens
• Verstehen der Hauptunterschiede zwischen DevOps und MLOps
• Beschreiben Sie den Arbeitsablauf beim maschinellen Lernen
• Erörterung der Bedeutung der Kommunikation in MLOps
• Erläutern der End-to-End-Optionen für die Automatisierung von ML-Arbeitsabläufen
• Auflisten der wichtigsten Amazon SageMaker-Funktionen für die MLOps-Automatisierung
• Erstellen eines automatisierten ML-Prozesses, der Modelle erstellt, trainiert, testet und einsetzt
• Erstellen eines automatisierten ML-Prozesses, der das Modell aufgrund von Änderungen am Modellcode neu trainiert
• Identifizierung von Elementen und wichtigen Schritten während des Deployment
• Beschreiben Sie die Elemente, die in einem Modellpaket enthalten sein können, und ihre Verwendung beim Training oder bei der Inferenz
• Erkennen der Amazon SageMaker-Optionen für die Auswahl von Modellen für den Einsatz, einschließlich der Unterstützung für ML-Frameworks und eingebaute Algorithmen oder Bring-your-own-Modelle
• Unterscheidung der Skalierung beim maschinellen Lernen von der Skalierung bei anderen Anwendungen
• Bestimmen Sie, wann Sie verschiedene Ansätze zur Inferenz verwenden sollten
• Diskussion von Einsatzstrategien, Vorteilen, Herausforderungen und typischen Anwendungsfällen
• Beschreiben Sie die Herausforderungen bei der Bereitstellung von maschinellem Lernen für Edge-Geräte
• Erkennen wichtiger Amazon SageMaker-Funktionen, die für das Deployen und die Inferenz relevant sind
• Beschreiben Sie, warum Monitoring wichtig ist

Dieser Kurs ist konzipiert für:

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

Wir empfehlen, dass die Teilnehmer dieses Kurses über folgende Kenntnisse verfügen:

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