このコースでは、継続的インテグレーションと継続的デリバリー (CI/CD) などの DevOps プラクティスを機械学習ワークフローに適用する方法論である MLOps について説明します。また、パイプラインを呼び出すための継続的フロー構造の作成方法について確認します。さらに、本番環境におけるリスク軽減とパフォーマンス向上に重点を置きながら、デプロイインフラストラクチャとオートメーションの戦略に関する重要な意思決定を行います。最後に、モデルを再トレーニングするメカニズムの構築と統合について説明します。このプロセスは、新しいデータとモデルコードの更新に対応するために不可欠です。
- コースレベル: 上級
- 所要時間: 1 時間 15 分
アクティビティ
- オンライン資料
- ナレッジチェックの問題
- コースの認定テスト
コースの目標
- DevOps について説明する。
- ソフトウェアのリリースプロセスについて説明する。
- CI/CD の原則が機械学習ワークフローにどのように適合するかを説明する。
- MLOps、関係するチーム、要件について説明する。
- 機械学習の DevOps の要件を特定する。
- CI/CD パイプラインでテストを自動化する利点について説明する。
- Amazon SageMaker プロジェクトで CI/CD プラクティスを機械学習に導入する方法について説明する。
- バージョン管理システムと基本的な使用方法について説明する。
- パイプラインを呼び出すための継続的フロー構造を作成する。
- AWS CodePipeline、AWS CodeCommit、AWS CodeBuild、AWS CodeDeploy について説明し、設定し、トラブルシューティングする。
- データ取り込みを自動化し、機械学習パイプラインオーケストレーションサービスと統合する方法について説明する。
- AWS Step Functions と AWS CodePipeline を使って機械学習ワークフローを自動化する。
- デプロイ戦略とロールバックアクションを定義する。
- パイプラインが呼び出されたときのコードリポジトリのしくみを説明する。
- 機械学習モデルを本番環境に統合する方法を説明する。
- モデルを再トレーニングするためのメカニズムを構築して統合する。
- 推論ジョブを設定する。
対象者
- クラウドアーキテクト
- 機械学習エンジニア
推奨スキル
- 機械学習エンジニアリングのために Amazon SageMaker および AWS の他のサービスを使用した経験が 1 年以上あること
- バックエンドソフトウェアデベロッパー、DevOps デベロッパー、データエンジニア、データサイエンティストなどの関連職種での経験が 1 年以上あること
- Python などのプログラミング言語に関する基本的な理解
- AWS ML エンジニアアソシエイトの学習プランの以前のコースを修了していること
コースの概要
- セクション 1: はじめに
- レッスン 1: このコースの使用方法
- レッスン 2: コースの概要
- レッスン 3: DevOps の概要
- セクション 2: 継続的インテグレーションと継続的デプロイ
- レッスン 4: MLOps の概要
- レッスン 5: CI/CD パイプラインでのテストの自動化
- レッスン 6: バージョン管理システム
- レッスン 7: 継続的フロー構造
- セクション 3: AWS のソフトウェアリリースプロセス
- レッスン 8: 継続的デリバリーサービス
- レッスン 9: 設定とトラブルシューティングのベストプラクティス
- レッスン 10: 機械学習パイプラインでのデータ統合の自動化
- セクション 4: オーケストレーションの自動化
- レッスン 11: AWS Step Functions と AWS CodePipeline
- レッスン 12: デプロイ戦略
- セクション 5: モデルの再トレーニング
- レッスン 13: コードリポジトリのしくみ
- レッスン 14: 再トレーニングのためのメカニズムの構築と統合
- レッスン 15: 推論ジョブの設定
- セクション 6: まとめ
- レッスン 16: コースのまとめ
- レッスン 17: 認定テスト
- レッスン 18: お問い合わせ
