techiescamp/mlops-for-devops

解決する課題

ほとんどのMLOpsチュートリアルは、データサイエンスの知識を前提としています。このプロジェクトはその逆です。MLのバックグラウンドを持たないDevOps、プラットフォーム、SREエンジニアにMachine Learning Operationsを教えます。データサイエンティストになることを求める代わりに、あなたがすでに理解しているDevOpsのアナロジーを使ってすべてのML概念を説明し、従来のアプリケーションと同じように本番環境でMLシステムを構築、自動化、デプロイ、トラブルシューティングできるようにします。

仕組み

これは2つのフェーズに分かれたプロジェクトベースのロードマップです。フェーズ1はローカルマシンから始まります。架空の50万人規模の企業向けに、従業員離職予測モデルをエンドツーエンドで構築し、データセットパイプライン、データ準備、scikit-learnによるモデルトレーニング、KServeを使用したライブAPIとしてのモデルサービングをカバーします。フェーズ2では、エンタープライズオーケストレーションに移行します。Kubernetes上で自動化されたスケーラブルなワークフローに手動ステップを置き換え、データバージョニングにはDVC、パイプラインオーケストレーションにはAirflow、フィーチャーストアにはFeast、トレーニングパイプラインにはKubeflow、実験追跡にはMLflow、モデルサービングにはKServe、モニタリングにはEvidently AIを使用します。すべてはKubernetesとDocker上で実行されます。各ツールにはステップバイステップのガイドがリンクされており、リポジトリには両フェーズのコードと設定マニフェストが含まれています。すべてを統合した本番スタイルのMLOpsプラットフォームをKubernetes上に構築するキャップストーンプロジェクトも計画されています。

対象読者

データサイエンティストにならずにMLワークロードを運用したいDevOps、プラットフォーム、SREエンジニア。インフラストラクチャを理解し、実世界のプラットフォームで使用されているのと同じKubernetesベースのツールを使って、実践的でプロジェクト駆動のMLOps入門を求めている人にも役立ちます。

ハイライト

• MLのバックグラウンドは不要 — すべての概念はDevOpsのアナロジーで説明されます
• 一貫したユースケース（従業員離職予測）をエンドツーエンドで使用するため、ML理論ではなくインフラストラクチャに集中できます
• 完全なMLOpsライフサイクルをカバー：データパイプライン、トレーニング、サービング、実験追跡、バージョニング、フィーチャーストア、モニタリング
• 完全にKubernetesとDockerベースで、Airflow、Kubeflow、MLflow、KServe、DVC、Feast、Evidently AIなどの業界標準のオープンソースツールを使用
• ローカル開発とエンタープライズオーケストレーションの両フェーズのコードと設定を含む
• さらなる学習のための実世界のMLOps読み物と認定リンクの厳選リスト