การจัดการวงจรชีวิตแมชชีนเลิร์นนิงด้วย MLflow

การสร้างโมเดลแมชชีนเลิร์นนิงเป็นเพียงครึ่งเดียวของความสำเร็จเท่านั้น การติดตามการทดลอง การทำซ้ำผลลัพธ์ และการปรับใช้โมเดลสู่การผลิตอาจกลายเป็นความวุ่นวายได้อย่างรวดเร็ว หากไม่มีขั้นตอนการทำงานที่มีโครงสร้าง การจัดการเวอร์ชันโค้ด ไฮเปอร์พารามิเตอร์ และอาร์ติแฟกต์ของโมเดลก็จะกลายเป็นปัญหาคอขวดที่สำคัญ หลักสูตรแบบข้อความนี้จะแนะนำคุณตลอดส่วนประกอบหลักของ MLflow ซึ่งเป็นแพลตฟอร์มโอเพนซอร์สที่ออกแบบมาเพื่อจัดการวงจรชีวิตแมชชีนเลิร์นนิงแบบครบวงจร คุณจะได้เรียนรู้วิธีติดตามการทดลองอย่างเป็นระบบ บรรจุโค้ดของคุณเพื่อความสามารถในการทำซ้ำ และปรับใช้โมเดลด้วยความมั่นใจ สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจแนวคิดพื้นฐานของวงจรชีวิตแมชชีนเลิร์นนิงและสถาปัตยกรรมของ MLflow - ติดตามการทดลอง พารามิเตอร์ เมตริก และอาร์ติแฟกต์โดยใช้ MLflow Tracking และการบันทึกอัตโนมัติ (automatic logging) - บรรจุโค้ดแมชชีนเลิร์นนิงให้เป็นรันที่นำกลับมาใช้ใหม่และทำซ้ำได้โดยใช้ MLflow Projects - จัดการ สร้างเวอร์ชัน และเปลี่ยนสถานะโมเดลผ่านขั้นตอนต่างๆ โดยใช้ MLflow Model Registry - ปรับใช้โมเดลที่ผ่านการฝึกอบรมไปยังสภาพแวดล้อมการผลิตโดยใช้ MLflow Models - ประยุกต์ใช้คุณสมบัติ MLflow สมัยใหม่เพื่อประเมินโมเดลและติดตามพรอมต์และเอาต์พุตของโมเดลภาษาขนาดใหญ่ (large language model) คุณจะเริ่มต้นด้วยการทำความเข้าใจแนวคิดและคำศัพท์พื้นฐานของวงจรชีวิตแมชชีนเลิร์นนิงให้เชี่ยวชาญ ก่อนที่จะเจาะลึกคำอธิบายที่เป็นลายลักษณ์อักษรและตัวอย่างโค้ดที่ใช้งานได้จริงสำหรับส่วนประกอบหลักแต่ละส่วนของ MLflow หลักสูตรนี้จะแนะนำคุณทีละขั้นตอนตั้งแต่การตั้งค่าการทดลองเบื้องต้นไปจนถึงการปรับใช้โมเดลขั้นสุดท้าย หลักสูตรนี้ออกแบบมาสำหรับนักวิทยาศาสตร์ข้อมูลระดับเริ่มต้น วิศวกรแมชชีนเลิร์นนิง และนักพัฒนาที่เข้าใจพื้นฐานของ Python และแนวคิดแมชชีนเลิร์นนิง แต่ต้องการจัดระเบียบและขยายขนาดขั้นตอนการทำงานของตน ไม่จำเป็นต้องมีประสบการณ์กับ MLflow มาก่อน เริ่มต้นจัดระเบียบโครงการแมชชีนเลิร์นนิงของคุณและสร้างขั้นตอนการทำงานที่ทำซ้ำได้ตั้งแต่วันนี้