AW234: MLOps Engineering on AWS™

Agenda:

• Einführung in MLOps

  • Prozesse

  • Personen

  • Technologie

  • Sicherheit und Governance

  • MLOps-Reifegradmodell

• Initial MLOps: Experimentierumgebungen in SageMaker Studio

  • MLOps in das Experimentieren bringen

  • Einrichten der ML-Experimentierumgebung

  • Demonstration: Erstellen und Aktualisieren einer Lifecycle-Konfiguration für SageMaker Studio

  • Praktische Übung: Bereitstellen einer SageMaker-Studio-Umgebung mit dem AWS™ Service Catalog

  • Workbook: Initial MLOps

• Repeatable MLOps: Repositories

  • Datenmanagement für MLOps

  • Versionskontrolle von ML-Modellen

  • Code-Repositories im ML-Kontext

• Repeatable MLOps: Orchestrierung

  • ML-Pipelines

  • Demonstration: Einsatz von SageMaker Pipelines zur Orchestrierung von Modellaufbau-Pipelines

  • End-to-End-Orchestrierung mit AWS™ Step Functions

  • Praktische Übung: Automatisieren eines Workflows mit Step Functions

  • End-to-End-Orchestrierung mit SageMaker Projects

  • Demonstration: Standardisierung einer End-to-End-ML-Pipeline mit SageMaker Projects

  • Verwendung von Drittanbieter-Tools für Wiederholbarkeit

  • Demonstration: Human-in-the-Loop beim Inferenzprozess

  • Governance und Sicherheit

  • Demonstration: Sicherheits-Best-Practices für SageMaker

  • Workbook: Repeatable MLOps

• Reliable MLOps: Skalierung und Testing

  • Skalierung und Multi-Account-Strategien

  • Testing und Traffic Shifting

  • Demonstration: Einsatz von SageMaker Inference Recommender

  • Praktische Übung: Testen von Modellvarianten

  • Praktische Übung: Traffic Shifting

  • Workbook: Multi-Account-Strategien

• Reliable MLOps: Monitoring

  • Bedeutung des Monitorings im ML

  • Praktische Übung: Überwachen eines Modells auf Datenabweichungen

  • Betriebliche Überlegungen zum Modellmonitoring

  • Behebung von Problemen, die beim Monitoring von ML-Lösungen erkannt werden

  • Workbook: Reliable MLOps

  • Praktische Übung: Erstellen und Troubleshooten einer ML-Pipeline
    
    
    
    

Ziele:

In diesem Kurs AW234 MLOps Engineering on AWS™ lernen Sie:

• Die Vorteile von MLOps zu erläutern

• DevOps und MLOps zu vergleichen und gegenüberzustellen

• Sicherheits- und Governance-Anforderungen für einen ML-Anwendungsfall zu bewerten und mögliche Lösungen sowie Gegenmaßnahmen zu
  beschreiben

• Experimentierumgebungen für MLOps mit Amazon SageMaker einzurichten

• Best Practices für Versionierung und Integritätssicherung von ML-Modellartefakten (Daten, Modell und Code) zu erklären

• Drei Optionen zur Erstellung einer vollständigen CI/CD-Pipeline im ML-Kontext zu beschreiben

• Best Practices zur Implementierung von automatisiertem Packaging, Testing und Deployment (Daten/Modell/Code) zu benennen

• Zu demonstrieren, wie ML-basierte Lösungen überwacht werden

• Zu demonstrieren, wie eine ML-Lösung automatisiert wird, die ein Modell testet, verpackt und bereitstellt, Leistungsabfälle erkennt und das Modell mit neuen Daten neu trainiert

Zielgruppe:

Dieser Kurs AW234 MLOps Engineering on AWS™ richtet sich an:

• MLOps Engineers, die ML-Modelle in der AWS™ Cloud produktiv setzen und überwachen möchten

• DevOps Engineers, die für die erfolgreiche Bereitstellung und Wartung von ML-Modellen in der Produktion verantwortlich sind

Voraussetzungen:

Um an dem Kurs AW234 MLOps Engineering on AWS™ bei qSkills™ teilnehmen zu können, müssen Sie die folgenden AWS™-Trainings besucht haben:

• AW110 AWS™ Technical Essentials

• AW230 Developing on AWS™ oder vergleichbare Praxiserfahrung

• AW233 Practical Data Science with Amazon SageMaker oder vergleichbare Praxiserfahrung

Eine Teilnahme an den folgenden AWS™-Trainings ist im Vorfeld empfehlenswert:

• The Elements of Data Science oder vergleichbare Praxiserfahrung

• Machine Learning Terminology and Process

Beschreibung: