-
このコースでは、Google Cloud 上で本番環境の ML システムをデプロイ、評価、モニタリング、運用するための MLOps ツールとベスト プラクティスについて説明します。MLOps は、本番環境 ML システムのデプロイ、テスト、モニタリング、自動化に重点を置いた規範です。機械学習エンジニアリングの担当者は、ツールを活用して、デプロイしたモデルの継続的な改善と評価を行います。また、データ サイエンティストと協力して、あるいは自らがデータ サイエンティストとして、最も効果的なモデルを迅速かつ正確にデプロイできるようモデルを開発します。
Overview
Syllabus
-
- MLOps の基礎の概要
- このモジュールでは、コースの概要を説明します
- MLOps を使用する理由と条件
- このモジュールでは、機械学習について運用の観点で説明します。具体的には、問題の定義からソリューションまで、システム全体を見ていきます。
- Kubernetes の主要コンポーネントの理解(任意)
- このモジュールは任意です
- AI Platform Pipelines の概要
- このモジュールでは、Google Cloud プロダクトである AI Platform Pipelines について説明します。このプロダクトを使用すると、Google Cloud サービスで MLOps をシームレスかつスケーラブルに、簡単に実施できます。
- AI Platform でのトレーニング、調整、提供
- このモジュールでは、AI Platform 上の Jupyter ノートブックからモデルを手動でトレーニング、調整、提供する方法について学習します。
- AI Platform 上の Kubeflow Pipelines
- このモジュールでは、すでに触れたトレーニングとチューニングのプロセスを、Kubeflow パイプラインを使用して自動化します。Kubeflow パイプラインとしてさまざまなステップを表すことで、プロセス全体を 1 回のクリックでトリガーできます。プロセスの各ステップを Jupyterlab ノートブックから手動でトリガーする必要はありません。
- AI Platform 上の Kubeflow Pipelines の CI / CD
- このモジュールでは Kubeflow Pipelines の CI / CD について説明します。Kubeflow のパイプラインを自動化する方法はわかりましたが、このパイプラインを継続的インテグレーション スタックに統合するにはどうすればよいでしょうか。目標は、新しいトレーニング コードが、対応するリポジトリに push され次第、パイプライン アセットが再ビルドされるようにすることです。
- まとめ
- このモジュールは、コースで学習した内容のまとめです。