Chia Sẻ Khóa Học AI Engineering - Build, Train Và Deploy Các Model Với AWS SageMaker [Khóa 6456 A]
Bắt đầu sự nghiệp AI của bạn với khóa học này, khóa học sẽ hướng dẫn bạn cách build, train, và deploy các mô hình AI của riêng mình bằng hai trong số những công cụ AI quan trọng nhất được sử dụng trong thế giới thực: AWS SageMaker và Hugging Face. Không yêu cầu kiến thức về machine learning!
Tổng quan:
Học cách xây dựng các ứng dụng AI toàn diện bằng AWS SageMaker: từ việc thu thập và chuẩn bị dữ liệu của riêng bạn, đến đào tạo và sửa đổi mô hình của riêng bạn, cũng như triển khai và mở rộng ứng dụng AI của bạn vào thế giới thực.
NHỮNG GÌ BẠN SẼ HỌC ĐƯỢC:
- ✓ Build và deploy các mô hình trí tuệ nhân tạo và học máy tiên tiến lên đám mây.
- ✓ Sử dụng các pre-trained model mạnh mẽ từ Hugging Face với AWS SageMaker.
- ✓ Khám phá những bí mật toán học đằng sau cách thức hoạt động của Large Language Models bằng cách tìm hiểu sâu về Transformer architecture, tokenization và nhiều hơn nữa.
- ✓ Tùy chỉnh các mô hình để đáp ứng nhu cầu của các ứng dụng AI của bạn bằng PyTorch để tạo ra các giải pháp độc đáo.
- ✓ Train và test các model, đảm bảo chúng luôn mang lại kết quả chính xác.
- ✓ Tìm hiểu các phương pháp hay nhất để giám sát và tối ưu hóa các mô hình của bạn, bao gồm load testing và scaling cho nhu cầu người dùng lớn.
Kỹ sư AI là gì?
Phiên bản ngắn gọn là Kỹ sư AI làm việc trên toàn bộ vòng đời của ứng dụng AI - tức là ứng dụng sử dụng AI làm cốt lõi. Kỹ sư AI lấy các mô hình AI, bao gồm Large Language Model, và tùy chỉnh chúng theo nhu cầu của họ.
Điều đó đòi hỏi mọi thứ từ xây dựng các mô hình bằng cách sử dụng bộ dữ liệu tùy chỉnh, đến đào tạo và điều chỉnh các mô hình, triển khai mô hình và mở rộng quy mô bằng các công nghệ đám mây.
Vai trò này đang phát triển nhanh chóng, nhưng vẫn đang tiến hóa và chắc chắn sẽ tiếp tục phát triển khi bối cảnh AI thay đổi.
AWS SageMaker là gì?
AWS SageMaker (còn được gọi là Amazon SageMaker) là một machine learning service được quản lý hoàn toàn, cho phép bạn nhanh chóng build, train, và deploy các machine learning model ở quy mô lớn. Nó loại bỏ gánh nặng quản lý cơ sở hạ tầng, để bạn có thể tập trung vào phần thú vị - tạo các dự án và ứng dụng AI tuyệt vời của riêng bạn!
Nói tóm lại, đây là một trong những công cụ AI hàng đầu thực tế được các AI Engineer, Machine Learning Engineer, Developer và Data Scientist sử dụng.
Bạn có muốn biết tại sao AWS SageMaker lại thực sự tuyệt vời không?
Nó cho phép machine learning từ đầu đến cuối theo cách dễ sử dụng, bất kể trình độ kỹ năng của bạn!
Vì vậy, cho dù bạn là chuyên gia AI dày dặn kinh nghiệm hay mới bắt đầu, SageMaker đều cung cấp các công cụ trực quan và giao diện thân thiện với người dùng giúp mọi người đều có thể tiếp cận machine learning.
Nếu bạn đang muốn xây dựng và triển khai các ứng dụng AI của riêng mình thì đây chính là nơi dành cho bạn.
Tại sao lại chọn khóa học này ?
Vâng, bởi vì đây là khóa học AI Engineering trực tuyến tốt nhất, mới nhất và thiết thực nhất, giúp bạn học các kỹ năng AWS SageMaker thực tế và cho phép bạn thực hành để có thể sử dụng các kỹ năng của mình trong thế giới thực.
Dưới đây là phân tích từng phần của khóa học AWS SageMaker này để bạn có thể tự đưa ra quyết định:
1. Giới thiệu: Có được cái nhìn tổng quan về những gì bạn sẽ làm trong khóa học này, làm quen với những học viên khác đang học khóa học này và gặp gỡ người hướng dẫn tuyệt vời của bạn: một Senior Machine Learning Engineer !
2. Thiết lập Môi trường AWS và Best Practices: Chúng tôi sẽ đi sâu ngay vào việc thiết lập một nền tảng vững chắc bằng cách thiết lập tài khoản AWS, cấu hình IAM roles để bảo mật và áp dụng các thực hành tốt nhất. Bạn cũng sẽ học cách thiết lập AWS SageMaker domain, điều chỉnh UI settings và hiểu cấu trúc giá trong SageMaker Studio.
3. Giới thiệu nhẹ nhàng về HuggingFace trong Amazon SageMaker: Sau đó, bạn sẽ được giới thiệu thực tế về cách tích hợp HuggingFace với AWS SageMaker. Phần này bao gồm thiết lập SageMaker với PyTorch và triển khai các pre-built HuggingFace model cho các tác vụ như sentiment analysis, bao gồm các cân nhắc về autoscaling.
4. Thu thập một Dataset cho Multiclass Text Classification Project: Đã đến lúc bắt tay vào thực hiện và tìm hiểu cách tìm nguồn và chuẩn bị bộ dữ liệu cho tác vụ multiclass text classification. Bạn sẽ tìm hiểu về cách thu thập các bộ dữ liệu, tạo S3 bucket và upload dữ liệu hiệu quả lên AWS.
5. Exploratory Data Analysis: Trong phần này, bạn sẽ tham gia vào exploratory data analysis để khám phá những insight từ các tập dữ liệu của mình, bao gồm tìm hiểu về các kỹ thuật trực quan hóa dữ liệu và các phương pháp hay nhất để hiểu rõ hơn các mô hình cơ bản có thể ảnh hưởng đến các quyết định modelling tiếp theo.
6. Thiết lập Training Notebook: Phần thực hành này giúp bạn thiết lập môi trường training của mình trong Amazon SageMaker, bao gồm cấu hình notebooks và scripting bằng Python cho các HuggingFace estimator. Thiết lập này rất quan trọng cho model training và iteration hiệu quả!
7. Giới thiệu về Tokenization và Encoding: Đây là một phần rất hay. Bạn sẽ khám phá các quy trình NLP (Natural Language Processing) thiết yếu của tokenization và encoding, vốn là nền tảng cho các mô hình AI như LLM (Large Language Model). Các bài học bao gồm các hoạt động thực hành để tạo notebooks, hiểu tokenization vocabulary và các ví dụ thực tế về việc áp dụng các kỹ thuật này trong model training.
8. Thiết lập Data Loading với PyTorch: Tại đây, bạn sẽ học cách tạo các dataset loader class và cấu hình PyTorch DataLoader, đây là các thành phần chính để xử lý khối lượng dữ liệu lớn một cách hiệu quả trong quá trình model training.
9. Chọn Lộ trình của bạn: Đã đến lúc cho một khoảng nghỉ ngắn khác! Điều này sẽ chuẩn bị cho bạn các chủ đề nâng cao phía trước, giúp bạn quyết định con đường bạn sẽ đi để tìm hiểu về các chi tiết kỹ thuật sâu hơn của machine learning và các mô hình AI. Bạn có thể quyết định xem bạn có muốn đi sâu vào toán học hay không (chúng tôi biết một số bạn không thích toán học, và điều đó không sao cả!).
10. Toán học đằng sau Large Language Models và Transformers: Phần mở rộng này đi sâu vào nền tảng toán học và hoạt động của Transformers và Large Language Models, bao gồm multi-head attention, positional encodings và lý thuyết đằng sau các attention mechanism.
11. Tùy chỉnh Model Architecture trong PyTorch: Học cách tùy chỉnh một DistilBERT model bằng cách thêm dropout, linear layers và ReLU activations. Tùy chỉnh này là chìa khóa để điều chỉnh mô hình cho các tác vụ classification và dataset cụ thể.
12. Tạo Accuracy, Training, và Validation Function: Phần này tập trung vào việc tạo các training và validation function chính xác, mạnh mẽ để đảm bảo các mô hình được đánh giá đúng cách và hoạt động tốt trong nhiều điều kiện khác nhau.
13. Optimizer Functions, Model Parameters, Cross Entropy Loss Function: Hiểu và triển khai các optimization function, điều chỉnh model parameter và đi sâu vào toán học của cross entropy loss function, điều này rất cần thiết để đào tạo các mô hình học máy hiệu quả.
14. Lỗi Resource Limit có thể xảy ra trước khi đào tạo và triển khai: Để chuẩn bị cho các sự cố tiềm ẩn, phần này hướng dẫn bạn cách xử lý lỗi resource limit bằng cách quản lý và yêu cầu tăng hạn ngạch AWS.
15. Bắt đầu Training Job và Monitoring nó trong AWS CloudWatch: Điều này thật thú vị! Bởi vì ở đây bạn sẽ bắt đầu training job của mình trong SageMaker và học cách giám sát và gỡ lỗi các job này bằng AWS CloudWatch, thu thập các insight về tình trạng và hiệu suất của các mô hình của bạn.
16. Triển khai Multiclass Text Classification Endpoint trong SageMaker: Phần quan trọng này đề cập đến việc triển khai multiclass text classification model đã được đào tạo dưới dạng một Amazon SageMaker endpoint, đảm bảo bạn hiểu các bước để sử dụng mô hình của mình cho các ứng dụng thực tế.
17. Load Testing Machine Learning Model của chúng tôi: Chỉ vì một mô hình đang live, không có nghĩa là nó sẽ hoạt động! Bạn cần thực hiện load testing trên các mô hình đã triển khai của mình để đánh giá hiệu suất và khả năng mở rộng, chuẩn bị cho các triển khai thực tế mạnh mẽ và hiệu quả.
18. Production Grade Deployment của Machine Learning Model: Phần này hướng dẫn bạn các bước triển khai mô hình của mình ở quy mô sản xuất, bao gồm thiết lập các AWS Lambda function và API Gateway, và testing deployment bằng các công cụ như Postman. Đây chính là nơi cao su thực sự chạm vào mặt đường!
19. Cleaning Up Resources: Cuối cùng nhưng không kém phần quan trọng, chúng ta cần dọn dẹp mọi thứ để đảm bảo bạn đang sử dụng các biện pháp thực hành tốt nhất trong thế giới thực! Phần này nhấn mạnh tầm quan trọng của cleaning up AWS resources để quản lý chi phí và duy trì môi trường đám mây hiệu quả.
Khóa học này chuẩn bị cho tôi những nghề nghiệp nào?
AI và machine learning đang rất hot hiện nay. Nếu bạn muốn bắt kịp và tận dụng làn sóng AI, SageMaker là nơi tuyệt vời để bắt đầu. Đây là một kỹ năng được sử dụng trong rất nhiều nghề nghiệp có nhu cầu cao, đi đầu trong lĩnh vực Trí tuệ nhân tạo, bao gồm:
AI Engineer & Machine Learning Engineer : Tập trung vào việc thiết kế, phát triển và tùy chỉnh các mô hình học máy và triển khai chúng vào môi trường sản xuất. Yêu cầu các kỹ năng về model training, optimization, và deployment.
AI Specialist: Chuyên xây dựng các ứng dụng sử dụng các công nghệ trí tuệ nhân tạo và mô hình học máy.
Data Scientist : Bao gồm việc phân tích và diễn giải dữ liệu phức tạp để giúp các công ty đưa ra quyết định sáng suốt. Yêu cầu chuyên môn về data preparation, exploratory data analysis, và model building.
AI Research Scientist : Tiến hành nghiên cứu để thúc đẩy lĩnh vực trí tuệ nhân tạo và học máy. Yêu cầu hiểu biết sâu sắc về các khái niệm học máy tiên tiến, bao gồm attention mechanisms và large language models.
Cloud Engineer : Tập trung vào thiết kế, lập kế hoạch, quản lý, bảo trì và hỗ trợ các ứng dụng điện toán đám mây. Yêu cầu kiến thức về dịch vụ AWS và các phương pháp hay nhất để triển khai đám mây.
DevOps Engineer : Thu hẹp khoảng cách giữa phát triển và vận hành bằng cách tự động hóa quy trình phân phối phần mềm và thay đổi cơ sở hạ tầng. Cần có kỹ năng triển khai và giám sát các mô hình học máy bằng các công cụ như AWS CloudWatch.
Software Engineer : Bao gồm phát triển các ứng dụng phần mềm, bao gồm các ứng dụng có tích hợp các thành phần học máy. Yêu cầu hiểu biết về việc tích hợp các mô hình học máy vào các ứng dụng và đảm bảo khả năng mở rộng và hiệu suất của chúng.
Data Engineer : Tập trung vào việc xây dựng và duy trì các data pipeline, đảm bảo dữ liệu sạch, đáng tin cậy và sẵn sàng để phân tích. Yêu cầu kiến thức về các giải pháp data storage như AWS S3 và các kỹ thuật data preparation.
Technical Product Manager : Quản lý việc phát triển và triển khai các sản phẩm công nghệ, bao gồm các sản phẩm liên quan đến machine learning. Yêu cầu hiểu biết về các khía cạnh kỹ thuật của machine learning deployment và monitoring.