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.

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

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

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)

Kursen är uppdelad i följande moduler:

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

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

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.