AWS ML Engineer Associate 3.3 Automate Deployment (Japanese)

このコースでは、継続的インテグレーションと継続的デリバリー (CI/CD) などの DevOps プラクティスを機械学習ワークフローに適用する方法論である MLOps について説明します。また、パイプラインを呼び出すための継続的フロー構造の作成方法について確認します。さらに、本番環境におけるリスク軽減とパフォーマンス向上に重点を置きながら、デプロイインフラストラクチャとオートメーションの戦略に関する重要な意思決定を行います。最後に、モデルを再トレーニングするメカニズムの構築と統合について説明します。このプロセスは、新しいデータとモデルコードの更新に対応するために不可欠です。

• コースレベル: 上級
• 所要時間: 1 時間 15 分

アクティビティ

• オンライン資料
• ナレッジチェックの問題
• コースの認定テスト

コースの目標

• DevOps について説明する。
• ソフトウェアのリリースプロセスについて説明する。
• CI/CD の原則が機械学習ワークフローにどのように適合するかを説明する。
• MLOps、関係するチーム、要件について説明する。
• 機械学習の DevOps の要件を特定する。
• CI/CD パイプラインでテストを自動化する利点について説明する。
• Amazon SageMaker プロジェクトで CI/CD プラクティスを機械学習に導入する方法について説明する。
• バージョン管理システムと基本的な使用方法について説明する。
• パイプラインを呼び出すための継続的フロー構造を作成する。
• AWS CodePipeline、AWS CodeCommit、AWS CodeBuild、AWS CodeDeploy について説明し、設定し、トラブルシューティングする。
• データ取り込みを自動化し、機械学習パイプラインオーケストレーションサービスと統合する方法について説明する。
• AWS Step Functions と AWS CodePipeline を使って機械学習ワークフローを自動化する。
• デプロイ戦略とロールバックアクションを定義する。
• パイプラインが呼び出されたときのコードリポジトリのしくみを説明する。
• 機械学習モデルを本番環境に統合する方法を説明する。
• モデルを再トレーニングするためのメカニズムを構築して統合する。
• 推論ジョブを設定する。

対象者

• クラウドアーキテクト
• 機械学習エンジニア

推奨スキル

• 機械学習エンジニアリングのために Amazon SageMaker および AWS の他のサービスを使用した経験が 1 年以上あること
• バックエンドソフトウェアデベロッパー、DevOps デベロッパー、データエンジニア、データサイエンティストなどの関連職種での経験が 1 年以上あること
• Python などのプログラミング言語に関する基本的な理解
• AWS ML エンジニアアソシエイトの学習プランの以前のコースを修了していること

コースの概要

• セクション 1: はじめに
  • レッスン 1: このコースの使用方法
  • レッスン 2: コースの概要
  • レッスン 3: DevOps の概要
• セクション 2: 継続的インテグレーションと継続的デプロイ
  • レッスン 4: MLOps の概要
  • レッスン 5: CI/CD パイプラインでのテストの自動化
  • レッスン 6: バージョン管理システム
  • レッスン 7: 継続的フロー構造
• セクション 3: AWS のソフトウェアリリースプロセス
  • レッスン 8: 継続的デリバリーサービス
  • レッスン 9: 設定とトラブルシューティングのベストプラクティス
  • レッスン 10: 機械学習パイプラインでのデータ統合の自動化
• セクション 4: オーケストレーションの自動化
  • レッスン 11: AWS Step Functions と AWS CodePipeline
  • レッスン 12: デプロイ戦略
• セクション 5: モデルの再トレーニング
  • レッスン 13: コードリポジトリのしくみ
  • レッスン 14: 再トレーニングのためのメカニズムの構築と統合
  • レッスン 15: 推論ジョブの設定
• セクション 6: まとめ
  • レッスン 16: コースのまとめ
  • レッスン 17: 認定テスト
  • レッスン 18: お問い合わせ