友情鏈接:
合作聯(lián)系
|
ASPEN培訓(xùn)課程
?
完成本培訓(xùn)后，學(xué)員將能夠：
1.?理解 AI 工程化的核心概念、挑戰(zhàn)與最佳實(shí)踐。
2.?獨(dú)立或協(xié)作完成一個(gè)端到端的 AI 項(xiàng)目，從數(shù)據(jù)準(zhǔn)備到模型部署與監(jiān)控。
3.?掌握 MLops 的關(guān)鍵工具鏈（如 Docker, Git, CI/CD, Kubernetes, 云平臺(tái)服務(wù)等）。
4.?具備構(gòu)建高可用、可擴(kuò)展且安全的 AI 系統(tǒng)的能力。
·?有一定基礎(chǔ)的軟件工程師/后端工程師
·?希望轉(zhuǎn)型 AI 工程化的數(shù)據(jù)科學(xué)家
·?DevOps/SRE 工程師
·?技術(shù)項(xiàng)目經(jīng)理/產(chǎn)品經(jīng)理
·?基本的 Python 編程能力
·?對(duì)機(jī)器學(xué)習(xí)基本概念（如訓(xùn)練、測(cè)試、模型評(píng)估）有初步了解
·?了解 Linux 基礎(chǔ)命令和 Git 的基本使用
詳細(xì)大綱
1.1 引言：從模型到系統(tǒng)
什么是 AI 工程化？為什么它不同于學(xué)術(shù)研究或?qū)嶒?yàn)性建模？
AI 項(xiàng)目的生命周期 vs 傳統(tǒng)軟件開發(fā)生命周期。
面臨的獨(dú)特挑戰(zhàn)：數(shù)據(jù)漂移、概念漂移、技術(shù)債、可復(fù)現(xiàn)性等。
1.2 MLOps 基礎(chǔ)
MLOps 的定義、原則與成熟度模型（手動(dòng) -> 自動(dòng)化 -> 自主）。
MLOps 與 DevOps 的關(guān)聯(lián)與區(qū)別。
AI 工程化的關(guān)鍵支柱：數(shù)據(jù)、模型、代碼、基礎(chǔ)設(shè)施。
模塊二：數(shù)據(jù)工程與特征平臺(tái)
2.1 生產(chǎn)環(huán)境的數(shù)據(jù)管理
數(shù)據(jù)版本控制概念與工具介紹（如 DVC）。
數(shù)據(jù)質(zhì)量驗(yàn)證與監(jiān)控（如 Great Expectations）。
數(shù)據(jù)血緣與元數(shù)據(jù)管理。
2.2 特征工程與特征存儲(chǔ)
生產(chǎn)環(huán)境中的特征工程：訓(xùn)練/服務(wù)偏斜問題。
特征存儲(chǔ)的概念與價(jià)值（如 Feast, Tecton）。
實(shí)戰(zhàn)：使用一個(gè)開源特征存儲(chǔ)庫(kù)（如 Feast）實(shí)現(xiàn)特征的注冊(cè)、共享和復(fù)用。
模塊三：模型開發(fā)與可復(fù)現(xiàn)性
3.1 模型訓(xùn)練的環(huán)境與編排
容器化基礎(chǔ)：使用 Docker 封裝訓(xùn)練環(huán)境。
使用 MLflow 或 Weights & Biases 進(jìn)行實(shí)驗(yàn)跟蹤、參數(shù)記錄和模型注冊(cè)。
分布式訓(xùn)練簡(jiǎn)介（可選，視項(xiàng)目需求）。
3.2 模型評(píng)估與驗(yàn)證
超越準(zhǔn)確率：生產(chǎn)環(huán)境的模型評(píng)估指標(biāo)（業(yè)務(wù)指標(biāo)、公平性、可解釋性）。
模型驗(yàn)證策略：在批準(zhǔn)部署前確保新模型優(yōu)于舊模型。
模塊四：模型部署與服務(wù)化
4.1 部署模式
離線（批量）預(yù)測(cè) vs. 在線（實(shí)時(shí)）推理。
嵌入式部署：將模型打包到移動(dòng)端或邊緣設(shè)備。
4.2 模型服務(wù)化
構(gòu)建RESTful API：使用 FastAPI 或 Flask ?包裝模型。
容器化模型服務(wù)：創(chuàng)建模型的Docker 鏡像。
使用專業(yè)的模型服務(wù)工具：KServe, Seldon Core, Triton Inference Server。
4.3 在云平臺(tái)上部署
云服務(wù)概覽：AWS SageMaker, GCP Vertex AI, Azure ML
實(shí)戰(zhàn)：將容器化的模型部署到 Kubernetes 集群或無(wú)服務(wù)器平臺(tái)（如 AWS EKS/Fargate）
模塊五：自動(dòng)化流水線與持續(xù)集成/持續(xù)交付
5.1 CI/CD for ML
為 ML 項(xiàng)目定制 CI/CD 流水線（使用 GitHub Actions, GitLab CI, Jenkins）。
自動(dòng)化流程：代碼檢查 -> 運(yùn)行測(cè)試 -> 訓(xùn)練模型 -> 評(píng)估 -> 部署。
5.2 構(gòu)建自動(dòng)化 ML 流水線
使用 Kubeflow Pipelines 或 Airflow 編排端到端的 ML 工作流。
實(shí)戰(zhàn)：構(gòu)建一個(gè)從數(shù)據(jù)預(yù)處理到模型部署的完整自動(dòng)化流水線。
模塊六：生產(chǎn)環(huán)境的監(jiān)控與治理
6.1 模型與系統(tǒng)監(jiān)控
系統(tǒng)監(jiān)控：延遲、吞吐量、錯(cuò)誤率、資源利用率。
模型性能監(jiān)控：預(yù)測(cè)質(zhì)量下降、數(shù)據(jù)漂移、概念漂移的檢測(cè)與告警。
實(shí)戰(zhàn)：使用 Prometheus/Grafana 或 Evidently AI 設(shè)置監(jiān)控看板。
6.2 AI 系統(tǒng)的治理與倫理
模型的可解釋性與公平性（SHAP, LIME）。
模型安全與對(duì)抗性攻擊簡(jiǎn)介。
成本管理與優(yōu)化。
模塊七：綜合項(xiàng)目實(shí)戰(zhàn)
