MLOps, or DevOps for machine learning, enables data science and IT teams to collaborate and increase the pace of model development and deployment by monitoring, validation, and governance of machine learning models.
We are embedding decision automation in a wide range of applications and this generates a lot of technical challenges that come from building and deploying ML-based systems.
To understand MLOps, we must first understand the ML systems lifecycle which involves several different teams of a data-driven organization.
Data Engineering — data acquisition and preparation.
Data Science — architecting ML solutions and developing models.
IT or DevOps — complete deployment setup, and monitoring alongside scientists.
For more ML/ AI/ Data Science learning materials, please check my previous posts.
----------------------------------------------------------------
MLOps, hay DevOps dành cho máy học, cho phép các nhóm khoa học dữ liệu và CNTT cộng tác, đồng thời tăng tốc độ phát triển và triển khai mô hình bằng cách giám sát, xác thực và quản trị các mô hình máy học.
Chúng tôi đang đưa tự động hóa quyết định vào nhiều ứng dụng và điều này tạo ra rất nhiều thách thức kỹ thuật đến từ việc xây dựng và triển khai các hệ thống dựa trên ML.
Để hiểu MLOps, trước tiên chúng ta phải hiểu vòng đời của hệ thống ML bao gồm một số nhóm khác nhau của một tổ chức dựa trên dữ liệu.
Kỹ thuật dữ liệu - thu thập và chuẩn bị dữ liệu.
Khoa học dữ liệu - kiến trúc các giải pháp ML và phát triển các mô hình.
CNTT hoặc DevOps — thiết lập triển khai hoàn chỉnh và giám sát cùng với các nhà khoa học.
(Nguồn Alex Wang)
#datascience #machinelearning #technology #mlops
MLOps | Machine Learning Operations
Highlights of the course:
- Acquire critical MLOps skills, including Python and Rust proficiency.
- Enhance productivity with GitHub Copilot's cutting-edge tools.
- Leverage Amazon SageMaker, Azure ML, and MLflow for seamless ML operations.
- Fine-tune Large Language Models (LLMs) using Hugging Face's powerful techniques.
- Master the deployment of sustainable and efficient binary embedded models in the ONNX format.
As you progress through this series, you'll gain valuable expertise in various career paths:
- Data Science - Analyze complex datasets, develop ML models, and drive data-driven decision-making.
- Machine Learning Engineering - Design, build, and deploy ML models to solve real-world problems.
- Cloud ML Solutions Architect - Utilize AWS and Azure to architect and manage scalable ML solutions.
- Artificial Intelligence (AI) Product Management - Bridge the gap between business, engineering, and data science to deliver impactful AI/ML products.
-------------------------------------
Điểm nổi bật của khóa học:
- Học được những kỹ năng quan trọng về MLOps, bao gồm việc sử dụng Python và Rust.
- Nâng cao năng suất làm việc với các công cụ tiên tiến của GitHub Copilot.
- Tận dụng Amazon SageMaker, Azure ML và MLflow để thực hiện các thao tác máy học một cách mượt mà.
- Điều chỉnh và tinh chỉnh các mô hình ngôn ngữ lớn (LLMs) bằng cách sử dụng các kỹ thuật mạnh mẽ của Hugging Face.
- Trở thành chuyên gia triển khai các mô hình nhúng nhị phân hiệu quả và bền vững trong định dạng ONNX.
Khi hoàn thành khóa học này, bạn sẽ thu thập được kiến thức quý giá cho nhiều lĩnh vực nghề nghiệp khác nhau:
- Khoa học Dữ liệu - Phân tích các tập dữ liệu phức tạp, phát triển các mô hình máy học và thúc đẩy quyết định dựa trên dữ liệu.
- Kỹ sư Học máy - Thiết kế, xây dựng và triển khai các mô hình máy học để giải quyết các vấn đề thực tế.
- Kiến trúc sư Giải pháp Học máy đám mây - Sử dụng AWS và Azure để thiết kế và quản lý các giải pháp Học máy có khả năng mở rộng và hiệu quả về chi phí.
- Quản lý Sản phẩm Trí tuệ Nhân tạo (AI) - Cầu nối khoảng cách giữa kinh doanh, kỹ thuật và đội ngũ khoa học dữ liệu để cung cấp các sản phẩm AI/ML có tác động.
Xem thêm: Thông tin chi tiết
