シリーズのご紹介
MLOps と LLMOps: AI を本番環境に導入 は、「Jupyter Notebook 上で実行される AI」と「本番環境で数百万のユーザーにサービスを提供する AI」の間のギャップを埋めることを目指す人のためのコースです。
🎯 厳しい現実: ML プロジェクトの 87% は 決して本番環境に移行しません。 MLOps/LLMOps は、13% の成功を可能にするスキル セットであり、AI 分野で最高の報酬を得ることができます。
何を学ぶのですか?
パート 1: MLOps の基礎
- レッスン 1: MLOps とは何ですか? ML ライフサイクル、Google 成熟度レベル
- レッスン 2: 実験の追跡: MLflow、重み、バイアス
- レッスン 3: データ バージョニング (DVC) と機能ストア (Feast)
パート 2: モデルの管理と展開
- レッスン 4: モデル レジストリ、バージョン管理、パッケージ化
- レッスン 5: ML 用 CI/CD: テスト、検証、自動再トレーニング
- レッスン 6: インフラストラクチャ: Docker、Kubernetes、Cloud ML プラットフォーム
パート 3: LLMOps
- レッスン 7: 🔥 LLMOps と MLOps — パラダイム シフト
- レッスン 8: 迅速な管理と A/B テスト
- レッスン 9: 🔥 LLM 可観測性: LangSmith、Langfuse、Arize
パート 4: 優れた生産性
- レッスン 10: コストの最適化: キャッシュ、ルーティング、量子化
- レッスン 11: ガードレール、安全性およびコンプライアンス (EU AI 法)
- レッスン 12: Capstone: ML プラットフォームをゼロから構築する
入力が必要です
- 高度な Python (非同期、デコレータ、クラス、テスト)
- ML/DL (トレーニング、評価、推論) の基本的な理解
- 基本的な Docker (dockerfile、docker-compose)
- 1 つ以上の ML/LLM プロジェクトでの 実務経験 は大きな利点です
使用したツール
Python 3.11+ | Ngôn ngữ chính
MLflow | Experiment tracking & registry
Weights & Biases | Advanced experiment tracking
DVC | Data version control
Docker / K8s | Containerization & orchestration
GitHub Actions | CI/CD pipelines
LangSmith / Langfuse | LLM observability
FastAPI | Model serving API
Grafana / Prometheus | Monitoring dashboards
すべての AI シリーズを比較
| AIとLLM | ビルドエージェント | 微調整 | プロンプトエンジニアリング | ラグ | コンピュータビジョン | MLOps | |
|---|---|---|---|---|---|---|---|
| 焦点 | 理論 | エージェントアプリ | 絞り込む | スキルプロンプト | 個人データ | 写真/ビデオ | 生産 |
| オブジェクト | 初心者 | 中級 | 中級 | みんな | 中級 | 中級 | 上級 |
| コードが必要ですか? | パイソン | パイソン | パイソン | オプション | パイソン | パイソン | Python + DevOps |
| 難易度 | ⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐→⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ |