دوره آموزش MLflow برای MLOps و LLMOps: تسلط به MLflow با Databricks

آنچه یاد خواهید گرفت: درک کنید MLflow چگونه درون‌ساخت کار می‌کند و چگونه در گردش های کاری واقعی MLOps برای ردیابی آزمایش‌ها، مدیریت چرخه عمر مدل و استقرار به کار می‌رود. آزمایش‌های یادگیری ماشین را با استفاده از MLflow به‌صورت ساختاریافته و قابل بازتولید، با لاگ کردن پارامترها، معیارها، آرتیفکت‌ها و ران‌ها ردیابی کنید. مدل‌های ML را با استفاده از MLflow مدل رجیستری؛ از جمله نسخه‌بندی، ردیابی لینیج و مدیریت مدل در محیط production بسازید و مدیریت کنید. مدل‌های ML را با استفاده از قابلیت‌های داخلی Model Serving در MLflow به‌صورت REST API مستقر کنید تا اینفرنس بلادرنگ انجام شود. گردش های کاری LLMOps را با استفاده از MLflow؛ از جمله پرامپت رجیستری، نسخه‌بندی پرامپت، ارزیابی و مدیریت پرامپت پیاده‌سازی کنید MLflow را با Databricks یکپارچه کنید تا آزمایش‌های یادگیری ماشین و پایپ‌لاین‌‌های production ML را مدیریت کنید. از توابع هوش مصنوعی Databricks برای انجام کارهایی مانند تحلیل احساسات، طبقه‌بندی، استخراج متن و استخراج اسکیما با استفاده از SQL استفاده کنید. یک گردش کاری ابتدا تا انتها برای ML بسازید که شامل ردیابی آزمایش، لاگ کردن مدل، مدل رجیستری و استقرار باشد. پیش‌نیازهای دوره درک اولیه از برنامه‌نویسی Python آشنایی با مفاهیم یادگیری ماشین مانند مدل‌ها، دیتاست‌ها و آموزش یک رایانه که بتواند Python و Jupyter / VS Code را اجرا کند یک حساب رایگان Databricks (چگونگی راه‌اندازی آن را نشان خواهیم داد) کنجکاوی برای درک اینکه سیستم‌های واقعی MLOps و LLMOps در production چگونه کار می‌کنند. توضیحات دوره پروژه‌های یادگیری ماشین معمولاً با نوت‌بوک‌های ساده شروع می‌شوند، اما با رشد تیم‌ها و حرکت مدل‌ها به سمت production، مدیریت آزمایش‌ها، مدل‌ها و استقرارها دشوار می‌شود. تیم‌ها چگونه آزمایش‌ها را ردیابی می‌کنند؟ چگونه نسخه‌های مدل را مدیریت می‌کنند؟ چگونه مدل‌ها را به‌صورت قابل‌اعتماد مستقر می‌کنند؟ و تیم‌های مدرن چگونه پرامپت‌های LLM و گردش های کاری GenAI را مدیریت می‌کنند؟ اینجاست که MLflow وارد می‌شود. در این دوره یاد خواهید گرفت که MLflow چگونه در سیستم‌های واقعی MLOps برای مدیریت کل چرخه عمر یادگیری ماشین استفاده می‌شود. به‌جای تمرکز صرف بر APIها، این دوره تفکر در سطح سیستم پشت MLflow را توضیح می‌دهد تا درک کنید سیستم‌های ML در محیط‌های production چگونه ساخته می‌شوند. آنچه یاد خواهید گرفت تا پایان این دوره، خواهید فهمید چگونه: آزمایش‌های یادگیری ماشین را با استفاده از MLflow ردیابی کنید. پارامترها، معیارها، آرتیفکت‌ها و ران‌ها را لاگ کنید. از MLflow مدل رجیستری برای مدیریت نسخه‌های مدل استفاده کنید. مدل‌ها را با استفاده از MLflow Model Serving مستقر کنید. معماری بک‌اند استور و آرتیفکت استور را درک کنید. برای ردیابی پیشرفته آزمایش‌ها از نستد ران‌ها استفاده کنید. از MLflow برای گردش های کاری LLMOps از جمله پرامپت رجیستری استفاده کنید. پرامپت‌ها را ارزیابی کنید و نسخه‌های پرامپت را مدیریت کنید. MLflow را با گردش های کاری Databricks یکپارچه کنید. از توابع هوش مصنوعی Databricks برای تسک های SQL مجهز به هوش مصنوعی استفاده کنید. رویکرد یادگیری عملی این دوره بر نمایش‌های عملی تمرکز دارد. یاد می‌گیرید چگونه: MLflow را از ابتدا راه‌اندازی کنید. آزمایش‌ها را به‌صورت محلی ردیابی کنید. معماری داخلی MLflow را درک کنید. مدل‌های یادگیری ماشین را لاگ و مدیریت کنید. مدل‌ها را به‌صورت REST API مستقر کنید. برای اپلیکیشن های LLM گردش های کاری مدیریت پرامپت بسازید. از MLflow همراه با Databricks استفاده کنید. این دوره برای چه کسانی است؟ این دوره برای افراد زیر ایده‌آل است: مهندسان یادگیری ماشین دانشمندان داده مهندسان MLOps توسعه‌دهندگانی که به نقش‌های زیرساخت هوش مصنوعی منتقل می‌شوند. هر کسی که می‌خواهد بداند سیستم‌های ML در production چگونه کار می‌کنند. پیش‌نیازها دانش اولیه از موارد زیر: برنامه‌نویسی Python مفاهیم یادگیری ماشین مبانی خط فرمان هیچ تجربه قبلی با MLflow لازم نیست. تا پایان این دوره، یک مدل ذهنی روشن از MLflow و گردش های کاری مدرن MLOps خواهید داشت که به شما کمک می‌کند سیستم‌های یادگیری ماشین را مؤثرتر بسازید و مدیریت کنید. این دوره برای چه کسانی مناسب است؟ مهندسان یادگیری ماشین که می‌خواهند ردیابی آزمایش و مدیریت چرخه عمر مدل را با استفاده از MLflow یاد بگیرند. دانشمندان داده که می‌خواهند آزمایش‌ها، مدل‌ها و پرامپت‌ها را در یک گردش کاری ساختاریافته و production مدیریت کنند. مهندسان MLOps که به MLflow، مدل رجیستری و استقرار مدل علاقه‌مند هستند. توسعه‌دهندگانی که به نقش‌های زیرساخت AI / ML منتقل می‌شوند. هر کسی که می‌خواهد بداند سیستم‌های مدرن ML چگونه در سازمان‌های واقعی ساخته و مستقر می‌شوند.