Visão Geral

O Curso MLOps Fundamentals é um curso técnico introdutório que apresenta os principais conceitos, práticas e ferramentas utilizadas para operacionalizar projetos de Machine Learning em ambientes reais. O treinamento aborda todo o ciclo de vida de modelos de ML, desde a preparação dos dados e desenvolvimento até versionamento, experimentação, automação, implantação e monitoramento.

O curso estabelece a conexão entre Machine Learning, DevOps e Engenharia de Software, demonstrando como práticas de automação, controle de versões, reprodutibilidade e CI/CD podem ser aplicadas ao desenvolvimento e à operação de modelos de Machine Learning.

Como parte prática, os participantes terão uma introdução ao MLflow, explorando experiment tracking, gerenciamento de modelos e organização do ciclo de vida de Machine Learning.

Objetivo

Após realizar este curso MLOps Fundamentals, você será capaz de:

• Compreender os fundamentos e objetivos de MLOps
• Entender o ciclo de vida completo de projetos de Machine Learning
• Diferenciar práticas tradicionais de DevOps e MLOps
• Compreender os processos de Data → Model → Deployment → Monitoring
• Aplicar conceitos de versionamento e reprodutibilidade em projetos de ML
• Compreender práticas de Model Management
• Conhecer os fundamentos de CI/CD aplicado a Machine Learning
• Estruturar um fluxo básico de MLOps
• Utilizar conceitos fundamentais do MLflow
• Registrar e acompanhar experimentos de Machine Learning
• Compreender o gerenciamento e versionamento de modelos
• Identificar boas práticas para levar modelos de ML para ambientes produtivos

Publico Alvo

• Engenheiros de Machine Learning
• Cientistas de Dados
• Engenheiros de Dados
• Engenheiros de Software
• Profissionais de DevOps e DevSecOps
• Profissionais de Cloud e infraestrutura
• Arquitetos de soluções e sistemas
• Profissionais envolvidos na implantação e operação de soluções de IA
• Profissionais que desejam iniciar sua atuação em MLOps

Pre-Requisitos

• Conhecimentos básicos de Machine Learning
• Conhecimentos básicos de Python
• Conceitos fundamentais de Git e controle de versões
• Conhecimentos básicos de desenvolvimento de software
• Conhecimentos introdutórios de DevOps são recomendados
• Familiaridade com linha de comando Linux é recomendada

Materiais

Conteúdo Programatico

Módulo 1 — Fundamentos de MLOps

1. O que é MLOps
2. Evolução de Machine Learning para ambientes produtivos
3. Por que MLOps é necessário
4. Desafios de colocar modelos em produção
5. Machine Learning Engineering x Data Science x MLOps
6. Principais responsabilidades de uma equipe MLOps
7. MLOps e o ciclo de vida de Machine Learning
8. Cultura, processos e automação
9. Princípios fundamentais de MLOps
10. Visão geral da arquitetura de uma plataforma MLOps

Laboratório

• Análise de um projeto de Machine Learning
• Identificação dos pontos críticos do ciclo de vida
• Estruturação inicial de um projeto MLOps

Módulo 2 — Machine Learning Lifecycle

1. Visão geral do Machine Learning Lifecycle
2. Coleta e ingestão de dados
3. Preparação e transformação dos dados
4. Feature Engineering
5. Treinamento do modelo
6. Avaliação
7. Experimentação
8. Registro do modelo
9. Deployment
10. Inferência
11. Monitoramento
12. Retreinamento
13. Feedback Loop
14. Model Lifecycle Management

Fluxo de referência

Data → Experiment → Train → Evaluate → Register → Deploy → Monitor → Retrain

Laboratório

• Construção de um fluxo simplificado de Machine Learning
• Execução de treinamento e avaliação de um modelo
• Identificação dos artefatos gerados durante o ciclo de vida

Módulo 3 — DevOps x MLOps

1. Fundamentos de DevOps
2. Integração entre desenvolvimento e operações
3. CI/CD tradicional
4. Diferenças entre Software Delivery e ML Delivery
5. Particularidades de projetos de Machine Learning
6. Dados como parte do processo de desenvolvimento
7. Modelos e artefatos de ML
8. Dependências e ambientes
9. Data Drift
10. Model Drift
11. Reproducibilidade
12. Automação de pipelines
13. CI/CD/CT — Continuous Integration, Continuous Delivery e Continuous Training

Laboratório

• Comparação entre um pipeline tradicional de software e um pipeline de Machine Learning
• Identificação dos componentes necessários para automatizar um projeto de ML

Módulo 4 — Data → Model → Deployment → Monitoring

1. Visão geral do pipeline MLOps
2. Data Pipeline
3. Data Validation
4. Feature Engineering
5. Model Training
6. Model Validation
7. Model Registry
8. Model Deployment
9. Model Serving
10. Model Monitoring
11. Feedback Loop
12. Automação do ciclo completo

Laboratório

• Construção de um pipeline simplificado
• Execução de treinamento
• Registro dos resultados
• Preparação do modelo para deployment

Módulo 5 — Versionamento em Machine Learning

1. Conceitos de versionamento
2. Git e projetos de Machine Learning
3. Versionamento de código
4. Versionamento de datasets
5. Versionamento de modelos
6. Versionamento de configurações
7. Versionamento de experimentos
8. Model lineage
9. Data lineage
10. Git branching
11. Tags e releases
12. Datasets e artefatos
13. Introdução ao conceito de Data Version Control — DVC

Laboratório

• Criar um repositório Git para um projeto de ML
• Versionar código e configurações
• Criar versões de experimentos
• Associar versões de código, dados e modelos

Módulo 6 — Reprodutibilidade de Machine Learning

1. O que significa reprodutibilidade
2. Determinismo e aleatoriedade
3. Controle de dependências
4. Ambientes virtuais
5. requirements.txt
6. pyproject.toml
7. Seeds
8. Configuração de experimentos
9. Registro de parâmetros
10. Registro de métricas
11. Registro de artefatos
12. Containers para ambientes reprodutíveis
13. Docker e Machine Learning
14. Model lineage

Laboratório

• Criar ambiente Python isolado
• Configurar dependências
• Executar o mesmo experimento em diferentes ambientes
• Registrar parâmetros, métricas e artefatos

Módulo 7 — Model Management

1. O que é Model Management
2. Model Registry
3. Model Versioning
4. Model Lifecycle
5. Model Lineage
6. Model Metadata
7. Model Artifacts
8. Model Stages
9. Model Promotion
10. Desenvolvimento → Staging → Produção
11. Aprovação de modelos
12. Rollback
13. Champion Model x Challenger Model
14. Boas práticas de gerenciamento de modelos

Laboratório

• Registrar modelos
• Criar versões
• Associar métricas e metadados
• Promover um modelo entre diferentes estágios

Módulo 8 — CI/CD para Machine Learning

1. Fundamentos de Continuous Integration
2. Continuous Delivery
3. Continuous Deployment
4. Continuous Training
5. CI/CD x CI/CT/CD
6. Pipeline automatizado de Machine Learning
7. Testes de código
8. Testes de dados
9. Testes de modelos
10. Model Validation
11. Quality Gates
12. Automação de treinamento
13. Automação de deployment
14. Rollback
15. Integração com GitHub Actions ou GitLab CI/CD

Laboratório

• Criar um pipeline CI/CD básico
• Executar testes automaticamente
• Automatizar treinamento
• Gerar artefatos
• Preparar deployment automatizado

Módulo 9 — Introdução ao MLflow

1. O que é MLflow
2. Arquitetura do MLflow
3. Componentes do MLflow
4. MLflow Tracking
5. Experiments
6. Runs
7. Parameters
8. Metrics
9. Artifacts
10. MLflow Models
11. Model Registry
12. Model Versioning
13. Model Deployment
14. MLflow UI
15. Integração com Python
16. Integração com frameworks de Machine Learning

Laboratório

• Instalação e configuração do MLflow
• Criação de um experimento
• Execução de um treinamento
• Registro de parâmetros
• Registro de métricas
• Registro de artefatos
• Visualização dos experimentos no MLflow UI
• Registro de um modelo
• Criação de versões do modelo

Módulo 10 — Projeto Prático: Pipeline MLOps

1. Definição do projeto
2. Organização do repositório
3. Preparação dos dados
4. Treinamento do modelo
5. Registro dos experimentos
6. Versionamento
7. Model Registry
8. Validação
9. Deployment conceitual
10. Monitoramento
11. Automação
12. Documentação do pipeline