Truy cập ngày 1 tháng 10 năm 2013.  ^ Continuous Deployment for Machine Learning: Building MLOps Pipelines

Thiết lập các mô hình học máy cho sản xuất chỉ là một nửa trận chiến; giữ chúng cập nhật, đáng tin cậy và hoạt động tối ưu đòi hỏi một chiến lược tự động hóa mạnh mẽ. Chương trình này giới thiệu cho bạn các nguyên tắc cốt lõi của MLOps, tập trung vào cách thiết lập các đường ống triển khai liên tục chuyển đổi mô hình từ đào tạo đến môi trường sản xuất. Bạn sẽ chuyển từ triển khai mô hình thủ công sang thiết kế các đường ống tự động để kiểm tra, đóng gói và triển khai tài sản học máy của bạn. Thông qua các giải thích rõ ràng và các ví dụ mã thực tế, bạn sẽ hiểu cách quản lý phiên bản mô hình, tự động cập nhật và duy trì độ tin cậy của hệ thống cao. Bạn sẽ học được: - Hiểu các khái niệm cơ bản của MLOps và chu kỳ sống của các mô hình học máy trong sản xuất. - Cấu hình các đường ống thử nghiệm tự động cho việc xác minh dữ liệu và hiệu suất mô hình. - Mô hình học máy gói sử dụng nguyên tắc container hóa cho triển khai đồng bộ. - Thực hiện các luồng công việc triển khai liên tục để tự động cập nhật mô hình mà không cần ngừng. - Theo dõi các mô hình triển khai để phát hiện sự suy giảm hiệu suất và dữ liệu trôi theo thời gian. - Apply version control best practices to both code and model registry assets. Chương trình học bắt đầu với thuật ngữ thiết yếu và các cột trụ cơ bản của MLOps trước khi hướng dẫn bạn qua các bước thực tế của việc thiết lập một đường ống triển khai. Bạn sẽ đọc qua các kịch bản thế giới thực, khám phá các đoạn mã có cấu trúc, và hoàn thành các bài tập khái niệm để tăng cường việc học của bạn. Lớp học chỉ có văn bản này được thiết kế cho các nhà khoa học dữ liệu, kỹ sư phần mềm và các chuyên gia MLOps tham vọng mới đến triển khai liên tục. Không cần kinh nghiệm DevOps trước đó, mặc dù một hiểu biết cơ bản về các khái niệm học máy sẽ hữu ích. Bắt đầu xây dựng các đường ống học máy tự động, bền vững ngay hôm nay.