ออกแบบระบบ Machine Learning ระดับ Production บน GCP

การเปลี่ยนโมเดล Machine Learning จากโน้ตบุ๊กในเครื่องไปสู่ระบบที่เชื่อถือได้และพร้อมใช้งานจริงในระดับ Production ต้องมีการเปลี่ยนแนวคิดจากความแม่นยำธรรมดาไปสู่ความสามารถในการปรับขนาดและการออกแบบระบบ การสร้างระบบเหล่านี้บนโครงสร้างพื้นฐานคลาวด์จำเป็นต้องมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับสถาปัตยกรรม ไปป์ไลน์ข้อมูล และกลยุทธ์การปรับใช้ ในหลักสูตรแบบข้อความนี้ คุณจะได้เรียนรู้วิธีการออกแบบและปรับใช้ระบบ Machine Learning ที่แข็งแกร่งและพร้อมใช้งานจริงบน GCP คุณจะได้ค้นพบวิธีการเปลี่ยนจากโค้ดทดลองไปสู่ไปป์ไลน์อัตโนมัติที่จัดการการฝึกอบรมแบบกระจาย (distributed training) การอนุมานแบบเรียลไทม์ (real-time inference) และการตรวจสอบระบบอย่างต่อเนื่อง What you'll learn: - ทำความเข้าใจรูปแบบสถาปัตยกรรมพื้นฐานของระบบ Machine Learning ระดับ Production รวมถึงการฝึกอบรมและการอนุมานแบบคงที่ (static) เทียบกับแบบไดนามิก (dynamic) - กำหนดค่าไปป์ไลน์การฝึกอบรมแบบกระจายโดยใช้ TensorFlow และใช้ประโยชน์จากตัวเร่งฮาร์ดแวร์ประสิทธิภาพสูง เช่น TPUs - ออกแบบสถาปัตยกรรมการอนุมานที่ปรับขนาดได้เพื่อให้บริการโมเดลได้อย่างมีประสิทธิภาพภายใต้ปริมาณงานที่แตกต่างกัน - นำแนวทางปฏิบัติ MLOps สมัยใหม่ไปใช้ รวมถึงการจัดระเบียบไปป์ไลน์พื้นฐานและการตรวจสอบโมเดลสำหรับ data drift - ประยุกต์ใช้แนวทางปฏิบัติที่ดีที่สุดสำหรับการจัดการทรัพยากร การเพิ่มประสิทธิภาพต้นทุน และความน่าเชื่อถือของระบบบน GCP คุณจะเริ่มต้นด้วยการทำความเข้าใจแนวคิดหลักและคำศัพท์ก่อนที่จะก้าวไปสู่รูปแบบการออกแบบโครงสร้าง การประมวลผลแบบกระจาย (distributed computing) และกลยุทธ์การให้บริการแบบสด (live serving strategies) เนื้อหาที่เป็นลายลักษณ์อักษรจะแนะนำคุณตลอดการตัดสินใจทางสถาปัตยกรรมและการกำหนดค่าระบบที่เป็นประโยชน์ โดยไม่จำเป็นต้องมีความเชี่ยวชาญด้านคลาวด์ที่ซับซ้อนมาก่อน หลักสูตรนี้ออกแบบมาสำหรับ ML engineers, data scientists, และ cloud architects ที่ต้องการสร้างระบบระดับ Production ไม่จำเป็นต้องมีประสบการณ์ DevOps ขั้นสูง เนื่องจากเราจะเริ่มต้นด้วยแนวคิดพื้นฐานและสร้างขึ้นอย่างเป็นระบบ เริ่มอ่านวันนี้เพื่อเชื่อมช่องว่างระหว่าง Machine Learning เชิงทดลองและระบบ Production ระดับองค์กร