Ciągła integracja i ciągłe wdrażanie (CI/CD)

End-to-End Machine Learning

Joshua Stapleton

Machine Learning Engineer

CI/CD w cyklu życia ML

Faza wdrożenia w cyklu życia uczenia maszynowego

End-to-End Machine Learning

Zasady CI/CD

Ciągła integracja (CI)

  • Regularne scalanie z centralnym repozytorium
  • Często obejmuje automatyczne testy wykrywające błędy

Ciągła integracja reprezentowana przez aktualizującą się chmurę

Ciągłe wdrażanie (CD)

  • Automatyczne wdrażanie zmian w kodzie na produkcję
  • Często łączone z CI

Ciągłe wdrażanie reprezentowane przez rakietę

End-to-End Machine Learning

CI/CD w uczeniu maszynowym

CI/CD jest kluczowe dla produkcji i iteracji

  • Np.: automatyczne uwzględnianie nowych danych pacjentów
  • Pomaga unikać dryfu danych

 

CI/CD w ML:

  • Regularne ponowne trenowanie modeli
  • Testowanie wydajności
  • Automatyczne, regułowe wdrażanie
End-to-End Machine Learning

CI/CD z AWS Elastic Beanstalk

AWS Elastic Beanstalk (EB):

  • W pełni zarządzana usługa do wdrażania i skalowania aplikacji i usług
  • Zainstaluj EB
eb init


eb create heart_disease_env


eb deploy


eb open
End-to-End Machine Learning

Alternatywy dla EB (1)

Azure Machine Learning:

  • Usługi scoringu w czasie rzeczywistym
  • Zarządzane zasoby obliczeniowe do trenowania
  • Monitorowanie wydajności w środowisku produkcyjnym
End-to-End Machine Learning

Alternatywy dla EB (2)

GCP App Engine:

  • Podobna alternatywa dla AWS EB lub Azure Machine Learning
End-to-End Machine Learning

Alternatywy dla EB (3)

Kubernetes:

  • System orkiestracji kontenerów o otwartym kodzie źródłowym
  • Automatyzuje wdrażanie, skalowanie i zarządzanie aplikacjami kontenerowymi
  • Zgodność z wieloma głównymi platformami chmurowymi
  • Wyższa krzywa uczenia, ale większa kontrola
End-to-End Machine Learning

Alternatywy dla EB (4)

Wiele, wiele więcej!

End-to-End Machine Learning

Czas na ćwiczenia!

End-to-End Machine Learning

Preparing Video For Download...