MLOps Engineering on AWS

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

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

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

We raden deelnemers aan deze cursus aan om:

• AWS Technical Essentials (klassikaal of digitaal)
• DevOps Engineering op AWS, of gelijkwaardige ervaring
• Praktische Data Science met Amazon SageMaker, of gelijkwaardige ervaring

Activiteiten

Deze cursus omvat presentaties, hands-on labs, demonstraties, kenniscontroles en werkboekactiviteiten.