Chia Sẻ Khóa Học MLOps Bootcamp - Xây Dựng AI Infrastructure Thực Tế [Khóa 5073 A]
MLOps là một lĩnh vực kết hợp giữa AI/Machine Learning, Data Engineering và DevOps nhằm triển khai, giám sát và duy trì các mô hình AI một cách đáng tin cậy. Bạn sẽ không chỉ dừng lại ở model training mà còn học được cách các hệ thống AI thực tế hoạt động trong môi trường production bằng cách kết nối các AWS service thành một MLOps stack hiện đại giúp đưa một mô hình AI từ giai đoạn thử nghiệm thành một ứng dụng AI trực tuyến, liên tục cải tiến, sẵn sàng cho production và có khả năng mở rộng.
Những gì bạn sẽ học:
- ✓ Hiểu toàn bộ vòng đời MLOps từ khi training đến retraining.
- ✓ Fine-tune Vision Transformers với Hugging Face trên AWS.
- ✓ Chuẩn bị các S3 dataset cho model training dựa trên cloud.
- ✓ Deploy các AWS endpoint theo thời gian thực cho live prediction.
- ✓ Giám sát độ tin cậy và hoạt động của mô hình với CloudWatch.
- ✓ Build các AWS Pipeline cho các ML workflow tự động.
- ✓ Kết nối Lambda, API Gateway, S3 và Bedrock.
- ✓ Retrain các model tự động và gate production deployment.
Có thể bạn đã biết, một trong những kỹ năng được săn đón nhất trong lĩnh vực công nghệ hiện nay là khả năng train và fine-tune một AI/ML model.
Nhưng việc sở hữu các kỹ năng để xử lý những vấn đề xảy ra sau đó mới thực sự đưa bạn lên một tầm cao mới.
Những kỹ năng đó bao gồm việc xây dựng và quản lý cơ sở hạ tầng cùng các hệ thống mà AI cần để có thể deploy, cải tiến liên tục và mở rộng theo nhu cầu của một công ty.
Trong khóa học MLOps Bootcamp này, bạn sẽ học chính xác những kỹ năng đó!
Bạn sẽ xây dựng các hệ thống giúp đưa một AI/ML model từ quá trình thử nghiệm thành một ứng dụng AI hoạt động, liên tục cải tiến, sẵn sàng cho production và có khả năng mở rộng.
Bạn sẽ tinh chỉnh một Vision Transformer với Hugging Face và SageMaker, deploy nó thông qua một real-time endpoint, capture prediction data và monitor model behavior với CloudWatch.
Bạn sẽ xây dựng các kỹ năng thực tế với Lambda, API Gateway, S3 và Bedrock để thu thập các dự đoán có độ tin cậy thấp, dán nhãn các ví dụ mới và đưa chúng trở lại vào retraining workflow tự động.
Bạn cũng sẽ xây dựng các evaluation & deployment gate để đảm bảo một mô hình mới được huấn luyện sẽ không tự động thay thế mô hình đang chạy thực tế chỉ vì nó mới hơn. Nó phải thực sự mang lại hiệu suất tốt hơn trước.
Vào cuối khóa học, bạn sẽ hiểu cách các thành phần trong một MLOps stack hiện đại kết nối với nhau và sẵn sàng để xây dựng AI infrastructure cần thiết cho cả hiện tại lẫn tương lai.
Mục lục:
- ✓ 01. Giới thiệu.
- ✓ 02. Tìm hiểu về AWS, IAM Roles, Domain & Notebook.
- ✓ 03. Cài đặt các Package và Dependency cần thiết cho Sagemaker Notebook.
- ✓ 04. Truy cập Dataset và thực hiện Exploratory Data Analysis.
- ✓ 05. Thiết lập AWS Sagemaker Training Job với Vision Transformers.
- ✓ 06. Training Vision Transformer trên Nvidia GPU trong AWS.
- ✓ 07. Deploy Model lên Sagemaker và thiết lập các Monitoring Dashboard.
- ✓ 08. Tạo Sagemaker Retrain Pipeline.
- ✓ 09. Kết nối Sagemaker Pipeline với các AWS Service khác.
- ✓ 10. Testing Final Sagemaker Pipeline.
- ✓ 11. Các bước tiếp theo là gì?