Trilha MLOps: tudo o que estudar, tópico por tópico

Registro de métricas, parâmetros, artefatos e comparação de execuções de experimentos

Estratégias sistemáticas de busca de hiperparâmetros e ajuste automatizado

Versionamento centralizado de modelos, ambientes de staging e gestão do ciclo de vida

Garantir que experimentos de ML sejam reprodutíveis em diferentes ambientes e ao longo do tempo

Construção de pipelines confiáveis de ingestão, transformação e engenharia de features

Gestão centralizada de features para consistência entre treinamento e serviço

Fluxos automatizados de treinamento de modelos com validação e gestão de artefatos

Orquestração de fluxos complexos de ML com DAGs, retentativas e agendamento

Validação automatizada de qualidade de dados, imposição de schema e detecção de anomalias

Empacotamento de modelos para implantação com serialização, conteinerização e padrões de formato

Implantação e gestão de servidores de inferência de modelos para predições em tempo real e em lote

Estratégias de implantação progressiva para modelos de ML incluindo canary, sombra e blue-green

Implantação de modelos de ML em dispositivos de borda e plataformas mobile

Monitoramento de desempenho de modelos, degradação de acurácia e qualidade de predições em produção

Detecção e resposta a desvio de dados, desvio de conceito e mudanças de distribuição

Monitoramento de latência, throughput, utilização de recursos e conformidade com SLA para sistemas de ML

Construção de sistemas de alertas e observabilidade para saúde ponta a ponta de sistemas de ML

Gestão de recursos de GPU, seleção de instâncias e alocação de computação para cargas de trabalho de ML

Uso de contêineres e Kubernetes para infraestrutura de treinamento e serviço de ML

Escalabilidade do treinamento de modelos em múltiplas GPUs e nós com paralelismo de dados e de modelos

Otimização de custos em nuvem para cargas de trabalho de ML incluindo treinamento, serviço e armazenamento

Estabelecimento de frameworks de governança para desenvolvimento, implantação e gestão do ciclo de vida de modelos

Conformidade regulatória, trilhas de auditoria e rastreamento de linhagem para sistemas de ML

Projeto e análise de testes A/B para avaliação de modelos de ML em produção

Avaliação e avanço da maturidade organizacional em MLOps abrangendo pessoas, processos e tecnologia

Implementação de observabilidade de ML: detecção de desvio de dados, monitoramento de desvio de conceito, métricas de degradação de modelo e pipelines de alerta

Projeto e operação de feature stores: divisão online/offline, estratégias de backfill, frescor de features e latência de serviço

Operação de registros de modelos em escala: estratégias de versionamento, transições de estágio, linhagem de artefatos e governança multiequipe

Implantação segura de modelos de ML usando modo sombra, divisão de tráfego, algoritmos bandit e testes de significância estatística

Resposta a incidentes de modelos de ML: detecção de degradação, procedimentos de rollback, análise de causa raiz e post-mortems