MLOps Foundations: การปรับใช้และปรับขนาด Machine Learning Pipelines

การย้าย Machine Learning Model จาก Local Notebook ไปยังสภาพแวดล้อม Production ที่เชื่อถือได้เป็นหนึ่งในความท้าทายที่ใหญ่ที่สุดในวิศวกรรมซอฟต์แวร์สมัยใหม่ หลักสูตรนี้จะสอนวิธีเชื่อมช่องว่างระหว่างการทดลอง Data Science และวิศวกรรมการปฏิบัติการที่แข็งแกร่ง ผ่านคำอธิบายทีละขั้นตอนที่ชัดเจนและการฝึกอบรมการตั้งค่าจริง คุณจะได้พัฒนาทักษะในการสร้าง, ปรับใช้, และบำรุงรักษา Machine Learning Pipelines ที่ปรับขนาดได้ คุณจะเปลี่ยนจากการเขียนสคริปต์การฝึกอบรมแบบแยกส่วนไปสู่การออกแบบระบบที่ยืดหยุ่นซึ่งทำการทดสอบ, ปรับใช้, และตรวจสอบ Models โดยอัตโนมัติในสภาพแวดล้อมจริง สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจความแตกต่างหลักระหว่าง DevOps แบบดั้งเดิมและวงจรชีวิต MLOps - ทำ Container Machine Learning Applications โดยใช้ Docker สำหรับการปรับใช้สภาพแวดล้อมที่สอดคล้องกัน - ตั้งค่า CI/CD Pipelines อัตโนมัติเพื่อตรวจสอบและปรับใช้การอัปเดต Model อย่างราบรื่น - ตรวจสอบ Production Models สำหรับการเสื่อมประสิทธิภาพ, Data Drift, และสุขภาพของระบบ - จัดการ ML Workloads ที่ปรับขนาดได้โดยใช้ Kubernetes และโครงสร้างพื้นฐานคลาวด์ - นำแนวคิด LLMOps สมัยใหม่มาใช้ในการจัดการและทำให้ Large Language Model Workflows สามารถปฏิบัติการได้ หลักสูตรจะแนะนำคุณอย่างเป็นระบบตั้งแต่การบรรจุ Model ในเครื่องไปจนถึงการจัดการในระดับคลาวด์ คุณจะได้ศึกษาการตั้งค่าจริง, วิเคราะห์รูปแบบการปรับใช้, และเขียนสคริปต์อัตโนมัติเพื่อให้แน่ใจว่ามีความน่าเชื่อถือในโลกแห่งความเป็นจริง หลักสูตรนี้ออกแบบมาสำหรับ ML Engineers, Data Scientists, และ Software Developers ที่ยังใหม่กับ Workflows การปฏิบัติการ ไม่จำเป็นต้องมีประสบการณ์ DevOps มาก่อน เนื่องจากเราจะเริ่มต้นด้วยคำศัพท์พื้นฐานและแนวคิดพื้นฐานก่อนที่จะก้าวไปสู่สถาปัตยกรรมการปรับใช้ เริ่มสร้าง Machine Learning Pipelines ที่เชื่อถือได้และเป็นอัตโนมัติได้แล้ววันนี้