AI500

课程概述

通过红帽用来支持客户创新的成熟开放文化和实践经验，体验 MLOps 的无限可能性。

• “基于红帽 OpenShift AI 的 MLOps 实践（AI500）”是一门为期五天的沉浸式课程，学员将有机会深入体验并成功实施 MLOps。与许多重点关注特定框架或技术的 AI 或数据科学培训计划不同，本课程介绍了如何将多种出色的开源工具整合到完整的 MLOps 工作流中。课程采用模拟真实机器学习场景的教学方法，系统整合持续发现、持续培训和持续交付三大环节，打造极具吸引力的体验。
• 为实现学习目标，参与者应包含企业组织内的多个角色。数据科学家、机器学习工程师、平台工程师、架构师和产品负责人将获得突破传统职能壁垒的协作体验。日常课程模拟真实交付团队的工作模式，让跨职能团队在实践中领悟协作如何孕育创新。通过分享经验和最佳实践，团队可运用所学知识助力企业组织创建文化和达成使命，推动新项目落地与流程改进。
• 本课程基于红帽 OpenShift AI、红帽 OpenShift GitOps 和预测性 AI

注：本课程以为期五天的线下课程或为期五天的线上课程形式提供。课程持续时间可能会因授课形式而异。如需了解完整的课程详情、课程安排和定价，请选择您所在的地点，然后从右侧菜单中选择“开始”。

课程内容摘要

• 本课程将带您了解预测性智能应用用例的端到端旅程（从构思到内部循环实验再到生产），同时将不同角色聚集起来，通过单一平台实现无缝协作。
• 本课程将文化与技术实践融为一体，打造具有吸引力的独特体验，全程贯穿真实场景应用案例。您将了解 MLOps 实践以及它们如何相辅相成，助力提高团队一致性和交付效率。
• 大多数 AI 培训都侧重于特定的框架或技术，而本课程则将各种出色的开源工具整合到一起，让您了解这些工具如何相互配合，在生产环境中可靠、高效地构建、部署和维护 AI 模型。

培训对象

本课程生动展现了具有不同角色的人员如何通过学习分享、协作并为实现共同目标而努力，从而取得积极成果并推动创新突破。

本课程对于以下目标对象非常有帮助：

• MLOps 平台用户：数据科学家、数据工程师和应用开发人员。
• MLOps 平台提供商：机器学习工程师、MLOps 工程师和平台工程师。
• MLOps 平台利益相关者：架构师和 IT 经理。

课程场景涵盖采用机器学习系统的技术要点，提供关于各角色如何协同工作的实用见解。

您将学习如何通过加快新模型的市场部署，持续为客户创造价值。我们的讲师将分享在红帽服务项目期间，通过直接与客户互动交流所获得的经验和最佳实践。

学习本课程的前提条件

• 参加免费评估，确定本课程是否契合您的技能水平。
• 学习“容器、Kubernetes 和红帽 OpenShift 技术概述（DO080）”课程或对 OpenShift/Kubernetes 和容器有基本了解，将大有裨益
• 如果对 AI 或红帽 AI 基础有大致了解，将会很有帮助

技术注意事项

• 本课程需要具有互联网访问权限，以便访问共享集群环境。

课程大纲

什么是 MLOps？

头脑风暴并探索哪些原则、实践和文化元素构成了用于 ML 模型开发和部署的 MLOps 模型。

内部循环

熟悉实验和构建模型所需的工具；我们将创建一个工作台，探索数据集，开始跟踪我们的实验，并部署模型。

训练管道

将前述步骤自动化，实现模型训练的生产化转型。

外部循环

MLOps 简介：用于自动化和简化机器学习工作流和部署的一系列实践。
本节我们将创建 MLOps 环境，运行持续训练管道、自动化部署和支持工具。

监控

机器学习模型可能会受到各种因素的影响，包括数据模式的变化、用户行为的变化以及不断变化的外部条件。通过实施持续监控，我们将能够主动识别这些变化，评估它们对模型准确性的影响，并进行必要的调整以保持最佳性能。

数据版本控制

数据集会随时间推移发生变化，通过引入版本控制，能够增强可追溯性。

高级部署

正确实现数据和预测的预处理和后处理、探索自动扩展以处理负载，并引入金丝雀部署和蓝/绿部署等高级部署模式，以确保安全、无缝地发布模型。

特征存储

采用可靠的方式处理数据特征及其变更，并确保训练环境与服务环境之间特征的一致性。

安全防护

实施自动化安全防护，确保符合企业组织的安全实践，并将这种机制扩展到模型中。

企业组织获益

• 许多公司发现，他们当前的企业组织结构和机器学习方法无法提供 AI 驱动的转型成果：更快地部署模型，通过反馈循环进行持续改进，以及符合用户需求的解决方案。为实现这些目标，公司必须采用并践行 MLOps 原则和方法，将协作、自动化和生命周期管理整合到 AI 工作流中。
• 本课程将向您介绍实用的 MLOps 文化落地方法和现代化实践。您将利用红帽 OpenShift 和红帽 OpenShift AI 以及其他行业标准的 MLOps 软件、工具和技术来开发预测性机器学习模型。完成本课程后，您将能够应用 MLOps 原则并利用开源解决方案来推动和领导企业组织内的 AI 转型计划。

个人获益

通过参加本课程，您将体验 MLOps 文化、探索 MLOps 实践，并应用所学知识将机器学习模型投入生产。完成本课程后，您将能够：

• 应用 MLOps 原则来简化机器学习模型的开发和部署。
• 获得现代化工具和流程的实训经验，涵盖从内部循环开发到外部循环运维的整个生命周期。
• 通过结对编程和群体编程方式，提升协作编码技能。