Triển khai mô hình học máy trên sản phẩm thực tế

MLOps - Triển khai mô hình học máy trên sản phẩm thực tế

ProtonX

Nội dung của lớp<ul><li>Video các bài học được ghi lại chỉnh chu</li></ul><ul><li>Video chữa bài chi tiết</li></ul>Bài tập<ul><li>Bài tập trắc nghiệm</li><li>Bài tập lớn</li><li>Dự án cuối khóa</li></ul>

Gói xem video + thực hành + Chat với giảng viên qua Discord

Gói Essientials

<ul><li>Khái niệm MLOPs chính là việc kết hợp giữa Machine Learning và Operations trong quá trình phát triển và triển khai các dự án AI, giúp tối ưu hóa hiệu suất và quản lý mô hình Machine Learning một cách hiệu quả.</li><li>Cùng khám phá các công nghệ tiên tiến như AutoML, Kubernetes và các công cụ quản lý dữ liệu để xây dựng hệ thống MLOps mạnh mẽ và linh hoạt.</li></ul>

MLOps

<ul><li>ML Ops Engineer (Kỹ sư ML Ops)</li><li>Data Science (Khoa học dữ liệu)</li><li>Data Engineer (Kỹ sư dữ liệu)</li><li>Business (Kinh doanh)</li><li>App Design / Dev (Thiết kế / Phát triển Ứng dụng)</li><li>DevOps</li><li>IT Ops (Vận hành CNTT)</li></ul>

Chi tiết vị trí kỹ sư MLOps

Nền tảng cần cho lớp học

Nền tảng cần cho lớp học

<ul><li>Pipeline MLOps mẫu</li><li>Triển khai Pipeline này</li></ul>

Dự án mẫu

Thu thập dữ liệu thông qua:<ul><li>Crawl dữ liệu</li><li>Sử dụng Dataset có sẵn</li></ul>

Development - Thu thập dữ liệu

Development - Làm việc với dữ liệu

Development - Xử lý dữ liệu

Development - Pytorch nền tảng

<ul><li>Lượng tử hóa mô hình</li><li>Tối ưu hóa mô hình</li><li>ONNX</li></ul>

Deployment - Model Optimization

<ul><li>Quản lý model bằng Model Registry</li><li>Đóng gói mô hình thành container với<ul><li>Amazon SageMaker</li><li>MLflow</li></ul></li></ul>

Deployment - ML Run

Deployment - MLFlow

<ul><li>Resource monitoring</li><li>Model and data monitoring</li><li>Application monitoring</li></ul>