After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
MLOps 배포 및 라이프사이클링
머신 러닝 모델의 라이프사이클과 배포를 포함한 최신 MLOps 프레임워크를 살펴보세요. 이 강의에서는 기술 부채를 최소화하는 ML 코드를 작성하는 방법을 배우고, 모델을 배포하고 모니터링하는 데 필요한 도구를 알아보며, 마주하게 될 다양한 환경과 분석 유형을 살펴봅니다.MLOps 라이프사이클에 대해 알아보기
데이터를 수집하고 준비하고 레이블링한 뒤, 다양한 모델로 수많은 실험을 진행하고 챔피언 모델로 개념을 입증했다면, 이제 다음 단계로 나아갈 때입니다. 구축하세요. 배포하세요. 모니터. 유지하십시오. 그것이 모델이 프로덕션에 배포될 때의 생명 주기입니다. 그것이 MLOps의 Ops 부분입니다.이 강의는 모델의 가치 전달 여정에서 두 번째 장을 어떻게 헤쳐 나가야 하는지 보여주며, 앞으로 이어질 많은 강의들의 기준을 세워 줍니다. MLOps 라이프사이클을 살펴보며 시작하고, MLOps의 중요성과 모델 개발, 배포, 모니터링, 유지보수를 위한 핵심 기능 구성 요소를 알아봅니다.배포를 위한 ML 코드 개발
다음으로, 배포용 모델을 개발하는 방법과 효과적인 ML 코드를 작성하고, 도구를 활용하며, ML 파이프라인을 학습시키는 방법을 배우게 됩니다. 진행하면서 모델을 배포하는 방법을 다루게 되며, 다양한 배포 환경과 각 환경을 언제 사용해야 하는지도 살펴보게 됩니다. 또한 기존 운영 모델을 대체하는 전략을 개발하고 API도 살펴보게 됩니다.모델을 모니터링하는 방법을 배우세요
강의를 완료하면서 ML 모델을 모니터링하고 유지하는 데 핵심이 되는 성능 지표를 알아보게 됩니다. 프로덕션 환경에서의 드리프트 모니터링과 모델 피드백, 업데이트, 거버넌스에 대해 배우게 됩니다.완료할 즈음에는 MLOps 라이프사이클을 활용해 자신의 모델을 프로덕션에 배포하는 방법을 이해하게 될 것입니다.사전 요구 사항
커리큘럼
코스 개요
1
한눈에 보는 MLOps
이 장에서는 배포와 라이프사이클링에 중요한 MLOps 원칙과 프레임워크 구성 요소를 높은 수준에서 개괄합니다.
2
배포를 위한 개발
이 장에서는 운영 단계에 진입했을 때 매끄럽게 진행될 수 있도록, 개발 단계에서 미리 고려해야 할 사항들을 다룹니다.
궁극적인 목표는 MLOps 모범 사례로 모델을 학습시키고, 원활한 배포와 재현성, 배포 후 모니터링을 가능하게 하는 모델 패키지를 구축하는 방법을 설명하는 것입니다.
3
배포와 운영
이 장에서는 다음과 같은 핵심 모델 운영 질문을 다룹니다:
- 모델을 서빙하는 방식에는 어떤 것들이 있나요?
- API란 무엇이며, 핵심 기능은 무엇인가요?
- 최종 사용자에게 공개하기 전에 서비스를 철저히 테스트하려면 어떻게 해야 하나요?
- 서비스 중단 없이 프로덕션 환경의 모델을 어떻게 업데이트하나요?
배치 예측, 실시간 예측, 입력 및 출력 데이터 검증, 단위 테스트, 통합 테스트, 카나리 배포 등 다양한 주제를 학습합니다.
4
모니터링과 유지 관리
마지막 장에서는 배포된 ML 서비스를 모니터링하고 유지 관리하는 방법과 모델 거버넌스를 다룹니다.
검증 지연(Verification latency), 공변량 이동(Covariate shift), 컨셉 드리프트(Concept drift), 인간 개입형 시스템(Human-in-the-loop) 등 중요한 개념을 학습합니다.
R
MLOps 배포와 라이프사이클링
코스
완료
