iT邦幫忙

2021 iThome 鐵人賽

DAY 1
1
AI & Data

從 AI 落地談 MLOps系列 第 1

Day 01 : 這系列文在做什麼-緣起

  • 分享至 

  • xImage
  •  

前言

  • 鐵人賽是磨練自己技術能力的指標,2020 年參加鐵人賽自我挑戰組的「用Line聊天機器人串起多媒體系統」系列文,以初學者/自學者或大學一年級選修課程的程度梳理相關知識,部分內容拜 iThome 強大的 SEO 之賜,在自我挑戰組熱門文章前 10 有名,主題為介紹 Colab、Line Notify(依目前排序為: Day11Day10Day8),意識到自己的文章真的可以幫助到人,除了是自我肯定,也燃起繼續挑戰鐵人賽的想法。
  • 本次挑戰主軸為 MLOps ,不同於前次鐵人賽程度設定,目標訂為對多媒體數據分析與應用有興趣,已初步有涉略 AI 相關領域、具有 ML / DL 建模經驗的學習者,約為相關領域大三程度的補充教材,您也許能認同版本控制、容器管理、 CI/CD 的強大,那認識 ML in Production 用於生產的機械學習、 MLOps 應能對就業準備與未來職務有所幫助。

這系列會談的內容及不會談的

  • 會談的:
    • 如何從佈署機械學習至商業情境(ML in Production),並關注佈署之後所需注意的資料品質、模型版本控制與剪枝、AI 可解釋力、錯誤分析、自動化 ML 到持續佈署,期待用 ML 專案生命週期的角度執行 MLOps 需要的。
  • 不會談的:
    • AI 模型進展,像是 DNN、CNN、ResNet、BERT、Tramsform、GTP3 等模型內容不是此系列文關注焦點,假設您已對前述模模型有認識。焦點回歸到如何站在巨人肩膀上持續監控、優化產品服務體驗,實作時會援引模型,但偏重 ML/DL pipeline 的介紹。

會觸及的主題:

  • ML in Production
  • MLOps
  • 負責任的AI
  • 可解釋的AI
  • 公平指標
  • TFX
  • TFDV (Data Validation)
  • TFMA (Model Analysis)
  • ML CI、CD、CT實踐
  • ML解決方案

小結

  • 期待您能跳脫研究AI模型已久的思維,也更有系統化的關注您的資料、佈署、營運及監控手段,那這系列目的就達到了,我們明天見!

下一篇
Day 02 : 用於生產的機械學習 ML in Production
系列文
從 AI 落地談 MLOps30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言