MLOps Foundations: Automated Pipelines with Kubernetes and Cloud Tools

การขยายขนาด machine learning จาก notebook ไปสู่สภาพแวดล้อมการผลิตนั้นต้องการมากกว่าแค่โค้ด แต่ต้องการกรอบการทำงานที่แข็งแกร่ง คอร์สนี้มอบเส้นทางที่ชัดเจนสำหรับผู้ที่ต้องการเชื่อมช่องว่างระหว่าง data science และวิศวกรรมซอฟต์แวร์ที่เชื่อถือได้ คุณจะได้เรียนรู้วิธีเปลี่ยนโมเดลแบบคงที่ให้เป็นบริการที่ปรับขนาดได้และเป็นอัตโนมัติ ซึ่งสามารถรองรับความต้องการข้อมูลในโลกแห่งความเป็นจริงได้ เมื่อสิ้นสุดคอร์สนี้ คุณจะสามารถออกแบบและบำรุงรักษากระบวนการ MLOps แบบ end-to-end โดยใช้เครื่องมือมาตรฐานอุตสาหกรรม คุณจะก้าวจากการทำความเข้าใจ versioning พื้นฐานไปสู่การนำกลยุทธ์การจัดการคอนเทนเนอร์และการผสานรวมอย่างต่อเนื่องที่ซับซ้อนมาใช้ สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจหลักการพื้นฐานของ MLOps และวงจรชีวิตของ machine learning ระดับโปรดักชัน - จัดการ data และ code versioning โดยใช้ DVC และ Git เพื่อให้แน่ใจว่าโปรเจกต์สามารถทำซ้ำได้ - ทำให้กระบวนการฝึกโมเดลและการปรับใช้เป็นอัตโนมัติด้วยเครื่องมือ CI/CD เช่น Jenkins และ GitHub Actions - สร้างคอนเทนเนอร์แอปพลิเคชัน machine learning ด้วย Docker และจัดการด้วย Kubernetes - ติดตามการทดลองและจัดการเวอร์ชันโมเดลด้วย MLFlow และ centralized registries - ตรวจสอบประสิทธิภาพของโมเดลและตรวจจับ data drift โดยใช้ Prometheus และ Grafana - นำรูปแบบ MLOps สมัยใหม่มาใช้ รวมถึง basic LLM observability และการจัดการข้อมูลเวกเตอร์ คอร์สเริ่มต้นด้วยคำจำกัดความพื้นฐานและคำศัพท์สำคัญ ก่อนที่จะนำคุณไปสู่การประยุกต์ใช้ระบบอัตโนมัติ การสร้างคอนเทนเนอร์ และการตรวจสอบในทางปฏิบัติ คุณจะได้ฝึกฝนผ่านคำอธิบายที่เป็นลายลักษณ์อักษรและการฝึกปฏิบัติที่ใช้โค้ด ซึ่งจำลองสถานการณ์การผลิตในโลกแห่งความเป็นจริง คอร์สนี้ออกแบบมาสำหรับผู้เริ่มต้นใน data science, วิศวกรรมซอฟต์แวร์ หรือ DevOps ที่ต้องการเรียนรู้ด้านการดำเนินงานของ machine learning ไม่จำเป็นต้องมีประสบการณ์มาก่อนกับเครื่องมือ MLOps เริ่มสร้างโครงสร้างพื้นฐาน machine learning ที่ปรับขนาดได้และเชื่อถือได้ตั้งแต่วันนี้