MLOps Foundations: Deploying and Scaling Machine Learning Pipelines

ローカルノートブックから信頼性の高い本番環境へ機械学習モデルを移行することは、現代のソフトウェアエンジニアリングにおける最大の課題の1つです。このコースでは、データサイエンスの実験と堅牢な運用エンジニアリングとのギャップを埋める方法を学びます。 明確で段階的な文章による説明と実践的な設定演習を通じて、スケーラブルな機械学習パイプラインを構築、デプロイ、保守するためのスキルを習得します。独立したトレーニングスクリプトの作成から、モデルをリアルワールド環境で自動的にテスト、デプロイ、監視する回復力のあるシステムの設計へと移行します。 学習内容: - 従来のDevOpsとMLOpsライフサイクルのコアな違いを理解する。 - Dockerを使用して機械学習アプリケーションをコンテナ化し、一貫した環境デプロイを実現する。 - 自動化されたCI/CDパイプラインを設定し、モデルの更新をシームレスに検証およびデプロイする。 - パフォーマンスの低下、データドリフト、システムヘルスを監視するために、本番モデルを監視する。 - Kubernetesとクラウドインフラストラクチャを使用して、スケーラブルなMLワークロードをオーケストレーションする。 - 最新のLLMOpsの概念を適用して、大規模言語モデルのワークフローを管理および運用化する。 カリキュラムは、ローカルモデルのパッケージングからクラウドスケールのオーケストレーションまで、体系的にガイドします。実践的な設定を研究し、デプロイメントパターンを分析し、リアルワールドの信頼性を確保するための自動化スクリプトを作成します。 このコースは、運用ワークフローに慣れていない、意欲的なMLエンジニア、データサイエンティスト、ソフトウェア開発者を対象としています。DevOpsの経験は不要です。デプロイメントアーキテクチャに進む前に、基本的な用語と概念から始めます。 今日から、信頼性が高く自動化された機械学習パイプラインの構築を始めましょう。