Мінікурс “Вступ до MLOps/LLMOps”

Опис курсу

Мінікурс "Вступ до MLOps/LLMOps" допоможе освоїти основні принципи автоматизації тренування, розгортання та моніторингу моделей машинного навчання у продакшені. Він охоплює знайомство як з інструментами, так і з кращими практиками MLOps. У ході курсу буде розглянута робота як з традиційними ML моделями, так і з LLMs. Запрошені спікери забезпечать поглиблене розуміння MLOps та LLMOps підходів, які використовуються сьогодні в компаніях. Практичні завдання та курсовий проєкт дозволять освоїти всі знання на практиці та побудувати власну інфраструктуру для безперервного постачання ML моделей у продакшн.

Зміст курсу

• Тиждень 0
  • Введення
    1. Про викладача
    2. Що необхідно для курсу
    3. Обзор та структура курсу
    4. Домашня робота та проект
    5. Як ми будемо працювати
    6. Що ви отримаєте по завершенню курса
• Тиждень 1
  • Життєвий цикл ML рішень
    1. Вступ
    2. Данні
    3. Створення ML моделі
    4. Розгортяння ML моделі
    5. Моніторінг та супровід моделі
    6. Резюме
  • MLOps 101
    1. Вступ
    2. Принципи та переваги MLOps
    3. Ключові компоненти та процеси MLOps
    4. Рівні зрілості MLOps
    5. DevOps vs MLOps
    6. MLOps iнструменти
    7. MLOps для Large Language Models
    8. Резюме
    9. Практичне завдання
  • Запрошений спікер - TBA
• Тиждень 2
  • Управління даними
    1. Вступ
    2. Зберігання данних
    3. Розмітка данних
    4. Версіювання данних
    5. Резюме
    6. Практичне завдання
  • Створення ML моделі
    1. Вступ
    2. ML моделі 101
    3. Large Language Models 101
    4. Тренування ML моделей
    5. Трекінг експеріментив
    6. Версіювання моделей
    7. Резюме
    8. Практичне завдання
  • Запрошений спікер - TBA
• Тиждень 3
  • Розгортяння ML моделей
    1. Вступ
    2. Інструменти
    3. Real-time Inference
    4. Batch Inference
    5. Архітектура
    6. Резюме
    7. Практичне завдання
  • Основи моніторингу
    1. Вступ
    2. Продуктивність
    3. Дрейф
    4. Викиди
    5. Резюме
    6. Практичне завдання
  • Запрошений спікер - TBA
• Тиждень 4
  • Основи CI/CD для ML
    1. Вступ
    2. Pipelines
    3. Інструменти
    4. Архітектура
    5. Резюме
    6. Практичне завдання
  • Запрошений спікер - TBA
• Тиждень 5
  • Демо курсових проєктів

Проходження курсу

Живі лекції

• Початок: TBA
• Тривалість: 5 тижнів.
• Реєстрація: https://forms.gle/wYYt3uMk5xDDCRKf6

Самостійний режим

Ви можете проходити курс у своєму власному темпі та у любий час. Якщо у вас виникли проблеми, зверніться по допомогу до нашого Slack каналу.

Цей формат буде доступний у TBA.

Підпишіться, щоб дізнатися першим про доступ до курсу.

Викладач

Сподарець Дмитро - DevOps Architect у Grid Dynamics та засновник Data Phoenix. Мешкає в San Francisco Bay Area. Має понад 15 років досвіду роботи в tech індустрії, а також був викладачем Одеського національного університету та Одеського політехнічного університету понад 5 років. Є членом Advisory Board в AI Research Centre (Woxsen University). Спеціалізується на хмарних технологіях та інфраструктурних рішеннях для AI/ML. Має досвід побудови продуктів від ідеї до перших продажів. Працював з різного розміру компаніями від маленьких стартапів до Fortune 500 корпорацій. Для розвитку своїх знань навчається в Stanford University та полюбляє бігати півмарафони/марафони.

Для кого цей курс

• Data Scientists чи ML Engineers котрі прагнуть навчитися будувати власну інфраструктуру для безперервного постачання ML моделей у продакшн.
• DevOps Engineers котрі хочуть розширити свої знання напрямком роботи ML доменом
• Software чи Data Engineers котрим цікаво дізнатись як впроваджувати ML моделі у продакшн.

Вартість

Навчання за донейшен на ЗСУ

Мова навчання

Українська, але деякі запрошені спікери можуть виступати англійською.

Slack

• Data Phoenix Slack Community
• Канал:#course-intro-to-mlops-ua