El objetivo está centrado en disponibilizar las herramientas de machine learning en un entorno productivo, utilizando herramientas de MLOps.
La evaluación de los conocimientos impartidos durante las clases será a modo de entrega de un trabajo práctico final. El trabajo es grupal (máximo 6 personas, mínimo 2 personas).
La idea de este trabajo es suponer que trabajamos para ML Models and something more Inc., la cual ofrece un servicio de modelos cloud para la predicción en tiempo real. Para ello, se utiliza distintos protocolos de comunicación (REST, GraphQL, gRPC y Streaming), siguiendo una arquitectura basada en Aprendizaje Federado y capas de seguridad. Internamente, tanto para realizar tareas de DataOps como de MLOps, la empresa cuenta con Apache Airflow y MLflow. También dispone de un Data Lake en S3.
Ofrecemos dos tipos de evaluaciones:
- Nivel local (nota entre 6 y 8): Implementar en local un ciclo de desarrollo del modelo que desarrollaron en Aprendizaje de Máquina hasta la generación final del artefacto del modelo entrenado. Deben usar un orquestador y buenas prácticas de desarrollo con buena documentación.
- Nivel en contenedores (nota entre 8 y 10): Implementar el modelo que desarrollaron en Aprendizaje de Máquina en el ambiente productivo. Para ello, pueden usar los recursos que consideren apropiado. Los servicios disponibles de base son Apache Airflow, MLflow, PostgresSQL, MinIO, FastAPI. Todo está montado en Docker, por lo que además debe contener las instrucciones de instalación y ejecución Docker.
Siguiendo lo realizado en ML Ops I, pueden inspirarse en los proyectos anteriores e implementar las nuevas técnicas vista en el curso (GraphQL, gRPC, Streaming, Aprendizaje Federado).
Las herramientas para poder armar el proyecto se encuentra en: https://github.com/facundolucianna/amq2-service-ml.
Además, dejamos un ejemplo de aplicación en el branch example_implementation.
Los criterios de aprobación son los siguientes:
- El trabajo se entrega en dos partes: presentación sesión final y repositorio una semana después.
- En la clase 6 evaluaremos avances y demás definiciones del proyecto final.
- El trabajo es obligatorio ser grupal para evaluar la dinámica de trabajo en un equipo de trabajo tipico.
- La implementación debe de estar de acuerdo al nivel elegido. Sí es importante además de la implementación, hacer una buena documentación.
- Son libres de incorporar o cambiar de tecnologías, pero es importante que lo implementado tenga un servicio de orquestación y algún servicio de ciclo de vida de modelos.
- La entrega es por medio del aula virtual de la asignatura. Debe enviarse el link al repositorio con los slides usados.