Мінікурс "Вступ до MLOps/LLMOps" допоможе освоїти основні принципи автоматизації тренування, розгортання та моніторингу моделей машинного навчання у продакшені. Він охоплює знайомство як з інструментами, так і з кращими практиками MLOps. У ході курсу буде розглянута робота як з традиційними ML моделями, так і з LLMs. Запрошені спікери забезпечать поглиблене розуміння MLOps та LLMOps підходів, які використовуються сьогодні в компаніях. Практичні завдання та курсовий проєкт дозволять освоїти всі знання на практиці та побудувати власну інфраструктуру для безперервного постачання ML моделей у продакшн.
- Тиждень 0
- Введення
- Про викладача
- Що необхідно для курсу
- Обзор та структура курсу
- Домашня робота та проект
- Як ми будемо працювати
- Що ви отримаєте по завершенню курса
- Введення
- Тиждень 1
- Життєвий цикл ML рішень
- Вступ
- Данні
- Створення ML моделі
- Розгортяння ML моделі
- Моніторінг та супровід моделі
- Резюме
- MLOps 101
- Вступ
- Принципи та переваги MLOps
- Ключові компоненти та процеси MLOps
- Рівні зрілості MLOps
- DevOps vs MLOps
- MLOps iнструменти
- MLOps для Large Language Models
- Резюме
- Практичне завдання
- Запрошений спікер - TBA
- Життєвий цикл ML рішень
- Тиждень 2
- Управління даними
- Вступ
- Зберігання данних
- Розмітка данних
- Версіювання данних
- Резюме
- Практичне завдання
- Створення ML моделі
- Вступ
- ML моделі 101
- Large Language Models 101
- Тренування ML моделей
- Трекінг експеріментив
- Версіювання моделей
- Резюме
- Практичне завдання
- Запрошений спікер - TBA
- Управління даними
- Тиждень 3
- Розгортяння ML моделей
- Вступ
- Інструменти
- Real-time Inference
- Batch Inference
- Архітектура
- Резюме
- Практичне завдання
- Основи моніторингу
- Вступ
- Продуктивність
- Дрейф
- Викиди
- Резюме
- Практичне завдання
- Запрошений спікер - TBA
- Розгортяння ML моделей
- Тиждень 4
- Основи CI/CD для ML
- Вступ
- Pipelines
- Інструменти
- Архітектура
- Резюме
- Практичне завдання
- Запрошений спікер - TBA
- Основи CI/CD для ML
- Тиждень 5
- Демо курсових проєктів
- Початок: TBA
- Тривалість: 5 тижнів.
- Реєстрація: https://forms.gle/wYYt3uMk5xDDCRKf6
Ви можете проходити курс у своєму власному темпі та у любий час. Якщо у вас виникли проблеми, зверніться по допомогу до нашого Slack каналу.
Цей формат буде доступний у TBA.
Підпишіться, щоб дізнатися першим про доступ до курсу.
Сподарець Дмитро - DevOps Architect у Grid Dynamics та засновник Data Phoenix. Мешкає в San Francisco Bay Area. Має понад 15 років досвіду роботи в tech індустрії, а також був викладачем Одеського національного університету та Одеського політехнічного університету понад 5 років. Є членом Advisory Board в AI Research Centre (Woxsen University). Спеціалізується на хмарних технологіях та інфраструктурних рішеннях для AI/ML. Має досвід побудови продуктів від ідеї до перших продажів. Працював з різного розміру компаніями від маленьких стартапів до Fortune 500 корпорацій. Для розвитку своїх знань навчається в Stanford University та полюбляє бігати півмарафони/марафони.
- Data Scientists чи ML Engineers котрі прагнуть навчитися будувати власну інфраструктуру для безперервного постачання ML моделей у продакшн.
- DevOps Engineers котрі хочуть розширити свої знання напрямком роботи ML доменом
- Software чи Data Engineers котрим цікаво дізнатись як впроваджувати ML моделі у продакшн.
Навчання за донейшен на ЗСУ
Українська, але деякі запрошені спікери можуть виступати англійською.
- Data Phoenix Slack Community
- Канал:
#course-intro-to-mlops-ua