Model Serving und MLOps: Bereitstellung von Machine Learning in der Produktion

Die Umstellung eines maschinellen Lernmodells von einem lokalen Notebook auf eine zuverlässige Produktionsumgebung erfordert spezifische technische Fähigkeiten. Dieser textbasierte Kurs führt Sie durch die Kernprinzipien von MLOps und hilft Ihnen, die Lücke zwischen Data Science und Software Engineering zu schließen. Sie lernen, wie Sie von Trainingsmodellen zuverlässig zu echten Anwendern übergehen. Wenn Sie den Lebenszyklus von ML-Produktionssystemen verstehen, können Sie robuste Bereitstellungspipelines entwerfen, die Modellleistung überwachen und mit Datendrift aus der Praxis umgehen. Was Sie lernen: Verstehen Sie grundlegende MLOps-Konzepte, Lebenszyklusphasen und den Unterschied zwischen Entwicklungs- und Produktionsumgebungen; Konfigurieren Sie Modellbedienungsarchitekturen, um Echtzeit- und Batch-Vorhersagen zu verarbeiten; Implementieren Sie Drift-Erkennungsstrategien, um zu identifizieren, wann Modelle umtrainiert werden müssen; Wenden Sie grundsätzliche Containerisierungskonzepte an, um Einrichtung einfacher Workflows für die kontinuierliche Integration und Beobachtungsmetriken für den Modellzustand. Der Kurs beginnt mit der wesentlichen Terminologie und dem MLOps-Lebenszyklus, bevor er sich mit Bereitstellungsstrategien, Containerisierung und Überwachung nach der Bereitsetzung befasst. Sie lernen durch klare, textbasierte Erklärungen und praktische Konfigurationsbeispiele. Dieser Kurs richtet sich an aufstrebende ML-Ingenieure, Data Scientists und Softwareentwickler, die neu bei MLOps sind. Es sind keine vorherigen Erfahrungen mit der Bereitstellung in der Produktion erforderlich, obwohl ein grundlegendes Verständnis der Konzepte des maschinellen Lernens hilfreich ist. Beginnen Sie noch heute mit der Entwicklung von Machine Learning für die Produktion.