Visão Geral

Este curso GCP-MLOF: Fundamentos de MLOps (Operações de Aprendizado de Máquina) apresenta aos participantes as ferramentas de MLOps e as melhores práticas para implantar, avaliar, monitorar e operar sistemas de ML de produção no Google Cloud. MLOps é uma disciplina focada na implantação, teste, monitoramento e automação de sistemas de ML em produção.

Profissionais de Engenharia de Aprendizado de Máquina usam ferramentas para melhoria contínua e avaliação de modelos implantados. Eles trabalham com (ou podem ser) Cientistas de Dados, que desenvolvem modelos, para permitir velocidade e rigor na implantação dos modelos de melhor desempenho.

Objetivo

• Identificar e usar tecnologias essenciais necessárias para dar suporte a MLOps eficazes.
• Configure e provisione arquiteturas do Google Cloud para ambientes MLOps confiáveis ​​e eficazes.
• Implemente fluxos de trabalho de treinamento e inferência confiáveis ​​e repetíveis.
• Adote as melhores práticas de CI/CD no contexto de sistemas de ML.
• Operar modelos de aprendizado de máquina implantados de forma eficaz e eficiente.
• Identificar e usar tecnologias essenciais necessárias para dar suporte a MLOps eficazes.

Publico Alvo

• Cientistas de dados que buscam passar rapidamente do protótipo de aprendizado de máquina para a produção para gerar impacto nos negócios.
• Engenheiros de software que buscam desenvolver habilidades em engenharia de aprendizado de máquina. Engenheiros de ML que desejam adotar o Google Cloud.

Materiais

Conteúdo Programatico

Why and When do we need MLOps

1. Discuss Data Scientists’ pain points.
2. Identify ML Engineering characteristics and challenges.
3. Define how Google Cloud can help with MLOps.
4. Recognize how MLOps differs from manual ML management.
5. Compare and contrast DevOps vs MLOps.

Understanding the Main Kubernetes Components

1. Define what is a Docker container.
2. Create Docker containers.
3. Identify the architecture of Kubernetes: pods, namespaces.
4. Create Docker containers using Google Container Builder.
5. Store container images in Google Container Registry.
6. Create a Kubernetes Engine cluster.
7. Manage Kubernetes deployments.

Introduction to AI Platform Pipelines

1. Identify the benefits and opportunities of AI Pipelines.
2. Define Access Controls within AI Pipelines.
3. Recognize pipeline components.
4. List pipeline workflows.
5. Set up AI Platform Pipelines.
6. Create a machine learning pipeline.
7. Run a machine learning pipeline.
8. Connect to AI Platform Pipelines using the Kubeflow Pipelines SDK.
9. Configure a Google Kubernetes Engine cluster for AI Platform Pipelines.

Training, Tuning and Serving on AI Platform

1. Identify the main concepts of MLOps on AI Platform.
2. Create a reproducible dataset.
3. Implement a tunable model.
4. Build and push a training container.
5. Train and tune a model.
6. Serve and query a model.

Kubeflow Pipelines on AI Platform

1. Recognize how Kubeflow Pipelines fits in MLOps.
2. Describe a Kubeflow Pipeline with KF DSL.
3. Use the various Kubeflow components.
4. Compile, upload, and run a pipeline build in Kubeflow Pipelines.

CI/CD for Kubeflow Pipelines on AI Platform

1. Create Cloud Build Builders.
2. Configure pipelines with Cloud Build.
3. Create triggers for training models using Cloud Build Triggers.
4. Adopt the best CI/CD practices in the context of ML systems.

Summary

1. Summarize the course.