Continue integratie en continue deployment (CI/CD)

End-to-End Machine Learning

Joshua Stapleton

Machine Learning Engineer

CI/CD in de ML-levenscyclus

Implementatiefase van de machinelearning-levenscyclus

End-to-End Machine Learning

CI/CD-principes

Continuous Integration (CI)

  • Regelmatig mergen naar centrale repository
  • Vaak met automatische tests om bugs te vinden

Continuous Integration, voorgesteld als een updatende cloud

Continuous Deployment (CD)

  • Updates in de codebase automatisch naar productie
  • Vaak gecombineerd met CI

Continuous Deployment, voorgesteld als een raket

End-to-End Machine Learning

CI/CD in machine learning

CI/CD is cruciaal voor productie/iteratie

  • Bijv.: nieuwe patiëntdata automatisch opnemen
  • Helpt datadrift te voorkomen

 

CI/CD in ML:

  • Modellen regelmatig hertrainen
  • Prestaties testen
  • Automatische, regelgebaseerde deployment
End-to-End Machine Learning

CI/CD met AWS Elastic Beanstalk

AWS Elastic Beanstalk (EB):

  • Volledig beheerde service voor deployment en schalen van apps en services
  • EB installeren
eb init


eb create heart_disease_env


eb deploy


eb open
End-to-End Machine Learning

Alternatieven voor EB (1)

Azure Machine Learning:

  • Real-time scoringservices
  • Beheerde compute voor training
  • Prestatiemonitoring in productie
End-to-End Machine Learning

Alternatieven voor EB (2)

GCP App Engine:

  • Vergelijkbaar alternatief voor AWS EB of Azure Machine Learning
End-to-End Machine Learning

Alternatieven voor EB (3)

Kubernetes:

  • Open-source containerorchestratie
  • Automatiseert deployment, schalen en beheer van containerapplicaties
  • Werkt met meerdere grote cloudplatforms
  • Steilere leercurve, maar meer controle
End-to-End Machine Learning

Alternatieven voor EB (4)

Nog veel meer!

End-to-End Machine Learning

Laten we oefenen!

End-to-End Machine Learning

Preparing Video For Download...