AWS – MLOPS ENGINEERING

Objetivos da formação

• Compreender os fundamentos, benefícios e desafios do MLOps, distinguindo‑o do DevOps

• Implementar ambientes de experimentação e pipelines MLOps com Amazon SageMaker

• Aplicar boas práticas de versionamento, governação e segurança de dados, modelos e código

• Automatizar, monitorizar e manter soluções de Machine Learning em produção, incluindo deteção de deriva e re‑treino de modelos

Duração da formação

Programa da formação

Introdução ao MLOps

• Processos
• Pessoas
• Tecnologia
• Segurança e governação
• Modelo de maturidade MLOps

MLOps inicial – ambientes de experimentação no SageMaker Studio

• Levar MLOps para a fase de experimentação
• Configuração de um ambiente de experimentação ML

Exemplos de exercícios práticos

• Criação e atualização de uma configuração de ciclo de vida para SageMaker Studio

• Implementação de um ambiente SageMaker Studio com o AWS Service Catalog

MLOps repetível – repositórios

• Gestão de dados para MLOps
• Controlo de versões de modelos ML
• Repositórios de código em Machine Learning

MLOps repetível – orquestração

• Pipelines de Machine Learning

Exemplos de exercícios práticos

• Utilização de SageMaker Pipelines para orquestrar pipelines de criação de modelos

MLOps repetível – orquestração (continuação)

• Orquestração end-to-end com AWS Step Functions
• Orquestração end-to-end com SageMaker Projects
• Utilização de ferramentas de terceiros para repetibilidade
• Governance e segurança

Exemplos de exercícios práticos

• Automatização de um fluxo de trabalho com Step Functions

• Padronização de um pipeline ML end-to-end com SageMaker Projects

• Exploração da intervenção humana durante a inferência

• Exploração de melhores práticas de segurança para SageMaker

MLOps fiável – escalabilidade e testes

• Estratégias de escalabilidade e multi-conta
• Testes e redirecionamento de tráfego

Exemplos de exercícios práticos

• Utilização do SageMaker Inference Recommender

• Teste de variantes de modelos

Exemplos de exercícios práticos

•Redirecionamento de tráfego

MLOps fiável – monitorização

• A importância da monitorização em Machine Learning
• Considerações operacionais para a monitorização de modelos
• Resolver problemas identificados através da monitorização de soluções ML

Exemplos de exercícios práticos

• Monitorização de um modelo para detetar deriva de dados

• Criação e resolução de problemas de um pipeline ML

Nota: O conteúdo deste programa pode ser objeto de adaptação em função dos níveis, pré-requisitos e necessidades dos participantes.

Formador

Facilitador que combina know-how com experiência empresarial e competências pedagógicas, para dar resposta a necessidades operacionais e potenciar a aprendizagem.