====== Introduktion till MLOps ======

Välkommen till kursen "Introduktion till MLOps". Denna kurs är utformad för AI-utvecklare och arkitekter som vill etablera ett DevOps-team med inriktning mot AI. Under kursens gång kommer vi att utforska de grundläggande principerna, verktygen och metoderna för att hantera och driftsätta AI-modeller i produktionsmiljöer.

MLOps (Machine Learning Operations) är en samling metoder och verktyg som kombinerar maskininlärning (ML) med DevOps-principer för att effektivisera och automatisera utveckling, testning, driftsättning och underhåll av ML-system i produktion. Precis som DevOps har revolutionerat mjukvaruutveckling, förändrar MLOps hur organisationer levererar och underhåller AI-lösningar.

===== Kursens mål =====

Efter genomförd kurs kommer deltagarna att:

  * Förstå grundläggande MLOps-koncept och principer
  * Kunna implementera automatiserade ML-pipelines
  * Behärska versionshantering för data, modeller och kod
  * Kunna sätta upp kontinuerlig integrering och driftsättning (CI/CD) för ML-projekt
  * Förstå metoder för övervakning och underhåll av ML-system i produktion
  * Kunna implementera strategier för hantering av ML-modeller under hela deras livscykel
  * Förstå säkerhets- och efterlevnadsaspekter av ML-system i produktion

===== Målgrupp =====

Denna kurs riktar sig till:

  * AI-utvecklare som vill förbättra sin förståelse för produktionssättning av ML-modeller
  * DevOps-ingenjörer som behöver anpassa sina kunskaper till ML-arbetsflöden
  * Datavetare som vill lära sig bästa praxis för att göra sina modeller produktionsklara
  * Arkitekter som planerar ML-infrastruktur och -system
  * Tekniska ledare som styr ML-projekt och team

===== Förkunskaper =====

För att få ut det mesta av denna kurs rekommenderas följande förkunskaper:

  * Grundläggande kunskaper i programmering (företrädesvis Python)
  * Förståelse för maskininlärningskoncept och -utveckling
  * Grundläggande kunskap om containerteknologier (t.ex. Docker)
  * Grundläggande förståelse för versionskontroll (t.ex. Git)
  * Grundläggande förståelse för molntjänster (t.ex. AWS, Azure, GCP)

===== Kursstruktur =====

Kursen är uppdelad i följande moduler:

  - **[[:ai:3._systemutveckling:introduktion_till_mlops:Modul 1|Modul 1: Grundläggande MLOps-principer]]**
  - **[[:ai:3._systemutveckling:introduktion_till_mlops:Modul 2|Modul 2: Versionshantering av data, modeller och kod]]**
  - **[[:ai:3._systemutveckling:introduktion_till_mlops:Modul 3|Modul 3: Automatiserade ML-pipelines]]**
  - **[[:ai:3._systemutveckling:introduktion_till_mlops:Modul 4|Modul 4: Kontinuerlig integrering och driftsättning för ML]]**
  - **[[:ai:3._systemutveckling:introduktion_till_mlops:Modul 5|Modul 5: Containerisering och orkestrering av ML-applikationer]]**
  - **[[:ai:3._systemutveckling:introduktion_till_mlops:Modul 6|Modul 6: Modellövervakning och underhåll]]**
  - **[[:ai:3._systemutveckling:introduktion_till_mlops:Modul 7|Modul 7: MLOps i olika molnplattformar]]**
  - **[[:ai:3._systemutveckling:introduktion_till_mlops:Modul 8|Modul 8: MLOps för olika ML-ramverk och tekniker]]**
  - **[[:ai:3._systemutveckling:introduktion_till_mlops:Modul 9|Modul 9: Säkerhet och efterlevnad i MLOps]]**
  - **[[:ai:3._systemutveckling:introduktion_till_mlops:Modul 10|Modul 10: Implementering av MLOps i organisationen]]**

Varje modul innehåller teoretiska koncept, praktiska övningar, verktygsintroduktioner och användningsfall.

===== Varför MLOps är viktigt =====

ML-projekt står inför unika utmaningar som traditionell mjukvaruutveckling inte behöver hantera:

  * **Experimentell natur**: ML-utveckling kräver ofta omfattande experiment med olika algoritmer, hyperparametrar och dataförbehandlingstekniker.
  * **Datacentrerad**: Data är lika viktig som kod, vilket kräver omfattande versionshantering och datakvalitetskontroller.
  * **Komplexitet vid driftsättning**: ML-modeller behöver särskild infrastruktur och hantering när de går från utveckling till produktion.
  * **Drift över tid**: Modeller försämras naturligt över tid när data förändras, vilket kräver konstant övervakning och omträning.
  * **Tvärfunktionell expertis**: Framgångsrika ML-projekt kräver samarbete mellan datavetare, utvecklare, driftpersonal och domänexperter.

MLOps adresserar dessa utmaningar genom att tillhandahålla strukturerade metoder och verktyg för att hantera hela ML-livscykeln.