Advanced Engineering for MLOps on AWS
Il corso “DSAI307 – Advanced Engineering for MLOps on AWS” fornisce una guida completa sull’implementazione di MLOps (Machine Learning Operations) utilizzando Amazon Web Services (AWS). Gli studenti acquisiranno competenze pratiche attraverso una serie di moduli che coprono l’introduzione all’MLOps, la creazione di environment sperimentali con Amazon SageMaker, la valutazione dei requisiti di sicurezza e governance per i modelli ML, le best practices per il versioning e la manutenzione dei modelli, l’implementazione di pipeline CI/CD e il monitoraggio delle soluzioni basate su ML.
CODE: DSAI307
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 AWS.
- DevOps Engineering AWS.
- Completamento del corso DSAI107.
Di seguito è riportata una panoramica dei contenuti del corso:
Introduzione all’MLOps: Questo modulo fornisce una panoramica dei concetti fondamentali dell’MLOps (Operazioni di Machine Learning), compresi i principi guida, i benefici e le sfide. Gli studenti acquisiranno una comprensione approfondita del ruolo dell’MLOps nel ciclo di vita del machine learning e nell’implementazione di modelli su larga scala.
Environment Sperimentali in SageMaker Studio: Gli studenti esploreranno l’ambiente sperimentale di SageMaker Studio, imparando a creare, configurare e gestire ambienti di sviluppo per l’apprendimento automatico. Verranno forniti strumenti pratici per sperimentare, iterare e ottimizzare i modelli di machine learning in un ambiente controllato e scalabile.
Repositories: Questo modulo si concentra sulla gestione dei repository di codice per i progetti di machine learning. Gli studenti impareranno le best practice per l’organizzazione, la versioning e la collaborazione all’interno dei repository, utilizzando strumenti e piattaforme comuni come Git e AWS CodeCommit.
Orchestration: Gli studenti acquisiranno competenze nell’orchestrare e automatizzare i flussi di lavoro di machine learning utilizzando strumenti e framework come Apache Airflow, AWS Step Functions e Kubeflow. Verranno esplorate le migliori pratiche per la progettazione e l’esecuzione di pipeline di machine learning scalabili e affidabili.
Scaling & Testing: Questo modulo si concentra sulla scalabilità e sul testing dei modelli di machine learning. Gli studenti impareranno le strategie per scalare i modelli per gestire grandi volumi di dati e carichi di lavoro intensivi. Saranno anche introdotti ai concetti di testing dei modelli, inclusi test unitari, test di integrazione e test di accettazione.
Monitoring: Gli studenti esploreranno l’importanza del monitoraggio continuo dei modelli di machine learning in produzione. Saranno introdotti ai concetti e alle tecnologie per il monitoraggio delle prestazioni, la rilevazione degli errori e il mantenimento della qualità dei modelli nel tempo.
Al termine del corso, i partecipanti saranno in grado di:
- Spiegare i benefici del MLOps.
- Comparare e capire le differenze tra DevOps e MLOps.
- Creare environment sperimentali per MLOps con Amazon SageMaker.
- Valutare i requisiti di sicurezza e governance per un modello ML e descrivere soluzioni e strategie di migrazione.
- Spiegare le best practices per versionare e mantenere l’integrità dei modelli.
- Descrivere tre opzioni per creare una pipeline CI/CD.
- Implementare le best practices per automatizzare il deploy dei modelli.
- Monitorare le soluzioni basate su ML.
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
