Прикладной MLOps для обеспечения жизненного цикла моделей искусственного интеллекта

2023/2024

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Когда читается: 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 16

Полная версия программы учебной дисциплины

Аннотация

Курс MLOps охватывает широкий спектр тем, необходимых для эффективного управления и развертывания проектов машинного обучения. Он начинается с введения в МОУП, где дается обзор принципов и передовой практики. Студенты получают практический опыт в создании проектов ML с помощью Python и узнают о контейнеризации с помощью Docker. Особое внимание уделяется управлению кодами и контролю версий с помощью серверов Git, что позволяет осуществлять совместную разработку. Курс исследует методы непрерывной интеграции и непрерывного развертывания (CI/CD) для автоматизации рабочего процесса ML. Охватывается управление данными, включая хранение, версионирование и управление с использованием таких инструментов, как DVC. Студенты узнают о журналировании экспериментов для отслеживания и анализа производительности модели. Курс посвящен требованиям к вычислительной мощности, облачным решениям и передаче знаний в облако. Дополнительные темы включают индексы knn, количественную оценку вложений, краудсорсинг, маркировку данных на таких платформах, как Toloka, и обзор стека Amazon SageMaker. Выступления студентов и внешних лекторов дают практические представления. По окончании курса слушатели получают полное представление о принципах и практических навыках управления проектами ML.

Цель освоения дисциплины

По завершении этого курса студенты смогут лучше понять и освоить методы машинного обучения, используемые в настоящее время в промышленных компаниях.

Планируемые результаты обучения

Возможность создания хранилища проекта со всеми необходимыми зависимостями
Возможность использования хранилища данных, управляемого dvc
Возможность автоматизировать обучение моделям с помощью Lightning
Возможность преобразования модели в формат onnx
Возможность запустить сервер вывода Triton с моделью

Содержание учебной дисциплины

Структура и инструменты проекта машинного обучения
Обслуживание модели машинного обучения

Элементы контроля

Домашнее задание
Рецензирование

Промежуточная аттестация

2023/2024 2nd module
Итого = 2/3 *средняя (домашнее задание) + 1/3 * Ревью от преподавателя HWs - сумма автоматической (скрипт) проверки Ревью от преподавателя - результат ручной проверки преподавателя и/или ассистента

Программа дисциплины