Argo Workflow Intermediate
Il corso offre un’approfondita esplorazione di Argo Workflow con un focus specifico sull’applicazione nel contesto del machine learning. Gli studenti avranno l’opportunità di acquisire conoscenze avanzate sull’utilizzo di Argo Workflow per automatizzare e orchestrare processi complessi legati allo sviluppo e alla distribuzione di modelli di machine learning. Inoltre, il corso inizierà ad introdurre i concetti fondamentali di MLOps, mostrando come Argo Workflow possa essere integrato in un’infrastruttura di machine learning operativa.
CODE: DSAI205
Category: Corso Intelligenza Artificiale
Metodologia didattica
Il corso prevede laboratori didattici in cui ogni studente potrà svolgere esercizi di formazione che forniranno esperienza pratica nell’uso dello strumento, per ognuno degli argomenti trattati durante il corso.
Prerequisiti
- Conoscenza di base di Argo Workflow o partecipazione al corso introduttivo DSAI105.
- Comprensione dei principi fondamentali del machine learning.
- Familiarità con concetti di automazione e orchestrazione di processi.
Di seguito è riportata una panoramica dei contenuti del corso:
Introduzione ai concetti di MLOps: Questo modulo fornisce una panoramica dei concetti fondamentali di MLOps, che si concentra sull’automatizzazione dei flussi di lavoro per lo sviluppo, il test e il rilascio di modelli di machine learning. Gli studenti apprendono l’importanza di integrare processi di sviluppo e operazioni per migliorare l’efficienza e la scalabilità delle operazioni di machine learning.
Recap di Argo Essential: In questo modulo vengono presentati i concetti basilari e le funzionalità di Argo Workflow, un motore di orchestrazione dei flussi di lavoro open-source progettato per l’esecuzione di operazioni complesse in ambienti di produzione.
Integrazione di Argo Workflow in un ambiente di MLOps: Gli studenti imparano le best practices e gli approcci per integrare Argo Workflow in un ambiente di MLOps. Attraverso casi di studio e esempi pratici, gli studenti acquisiscono competenze per implementare e gestire flussi di lavoro di machine learning in modo efficiente e scalabile.
Utilizzo di workflow template per l’intero ciclo di vita del modello: Questo modulo illustra come utilizzare i template di flusso di lavoro per automatizzare e standardizzare il ciclo di vita del modello di machine learning, dall’addestramento alla valutazione e al rilascio.
Implementazione di pipeline Event-Driven: Gli studenti apprendono come progettare e implementare pipeline di machine learning basate su eventi, che rispondono dinamicamente ai cambiamenti nell’ambiente o nei dati di input.
Monitoraggio dei flussi di lavoro utilizzando strumenti correlati: Questo modulo introduce gli strumenti e le tecniche per monitorare l’esecuzione dei flussi di lavoro, raccogliendo metriche e segnalando eventuali problemi o anomalie.
Gestione dei flussi di lavoro utilizzando strumenti correlati: Gli studenti acquisiscono competenze per la gestione e l’ottimizzazione dei flussi di lavoro utilizzando strumenti correlati, come sistemi di gestione delle code e orchestrazione dei container.
Ottimizzazione delle prestazioni dei flussi di lavoro per il machine learning: Questo modulo si concentra sull’ottimizzazione delle prestazioni dei flussi di lavoro di machine learning, compresa la parallelizzazione, la distribuzione su larga scala e l’ottimizzazione delle risorse.
Al termine del corso, i partecipanti saranno in grado di:
- Utilizzare Argo Workflow in modo avanzato per automatizzare i processi legati al machine learning.
- Comprendere i principi fondamentali di MLOps e il ruolo di Argo Workflow in questo contesto.
- Implementare e gestire flussi di lavoro complessi per lo sviluppo, il test e il rilascio di modelli di machine learning.
- Integrare Argo Workflow in un’infrastruttura operativa di machine learning seguendo le best practices.
- Monitorare e ottimizzare i flussi di lavoro per massimizzare le prestazioni dei modelli di machine learning.
Durata – 1 giorno
Erogazione – in aula, in loco, da remoto
Requisiti PC e SW:
- Connessione a Internet
- Browser web, Google Chrome
- Zoom
Lingua
- Istruttore: Italiano
- Laboratori: Inglese
- Slides: Inglese
