MLOps: desarrollo y operaciones de inteligencia artificial (IA)

Objetivo:

Este curso está orientado a la formación profesional e incorporación laboral inmediata en empresas colaboradoras con la Sociedad de Promoción Económica de Gran Canaria. Al finalizar este curso las empresas colaboradoras contratarán en prácticas a los estudiantes que han sido formados por expertos con un currículo muy aplicado.

El objetivo principal es que los participantes finalmente sean capaces de:

• Poner en producción modelos de inteligencia artificial
• Desarrollar código productivo a partir de notebooks de modelos prototipo
• Gestión del ciclo de vida de los artefactos de los modelos y su mantenimiento
• Desplegar en entornos de contenedores usando Docker y Kubernetes
• Monitorización de los servicios online
• Detección de problemáticas en la inferencia de modelos como el data drif

Duración:

160 horas divididas en 10 módulos. El curso es híbrido. Será presencial del 19 al 21 de septiembre y del 28 de noviembre al 7 de diciembre. El resto de sesiones se realizarán online.

Dirigido a:

Este curso tiene como único requisito tener conocimiento de programación previo, especialmente en Python y conocimientos básicos de sistemas informáticos. Está orientado a personas que quieren realizar un periodo de prácticas en las empresas participantes y introducirse profesionalmente en el mundo de MLOps. Es ideal si eres estudiante y estás acabando tus estudios o si eres ya un profesional establecido y quieres pivotar tu carrera hacia MLOps. MLOps es una especialización muy demandada en el mercado laboral y este curso puede ayudarte a acelerar tu entrada en él tanto con los conocimientos aplicados como los contratos de prácticas que se ofertan al final del curso

Personas residentes en Gran Canaria

Programa:

MÓDULO 1. Introducción a la inteligencia artificial y al MLOps

Aprenderemos los fundamentos de inteligencia artificial que nos permite crear modelos predictivos aplicados como predicción de consumo, detección de anomalías o detección de churn. Estos modelos los integraremos dentro del mundo MLOps y conoceremos sus piezas y cómo encajan entre ellas. Proyecto personal: desarrollo, entrenamiento de un modelo estadístico.

MÓDULO 2. Productivización de código e integración CI/CD tradicional

Antes de correr hay que andar. La cultura MLOps toma de los ciclos de integración continua (CI/CD) mucha de sus metodologías y herramientas. En este módulo se aprenderán las herramientas y patrones más comunes además de las técnicas para productivizar y optimizar código. Proyecto personal: optimización de código basado en un notebook de Kaggle.

MÓDULO 3: Ciclo de vida de MLOps

Con los fundamentos aprendidos en los módulos previos podremos profundizar en el ciclo de vida de un modelo: desde su ideación hasta su puesta en producción y su vida posterior: monitorización, reentrenamientos y mejoras del modelo. Proyecto personal: ejecución de ciclo de vida completo para un modelo productivo.

MÓDULO 4: Despliegue de modelos: model servicing

Un uso muy común de los modelos de ML es su aplicación bajo demanda a través de una API. Aprenderemos como desplegar este tipo de servicios y cuáles son sus ventajas e inconvenientes. Proyecto personal: creación de API de inferencia de un modelo 2.

MÓDULO 5: Monitorización en producción

Los modelos de inteligencia artificial son muy sensibles al paso del tiempo: pueden deteriorarse por varios motivos. Por este motivo es tan crítico la correcta monitorización de los modelos una vez desplegados. Aprenderemos las métricas más relevantes y cómo monitorizar los modelos en producción. Proyecto personal: añadir monitorización al despliegue del modelo realizado

MÓDULO 6: Uso de contenedores y Kubernetes

Aunque hay muchos stacks tecnológicos que difieren en sus herramientas en los últimos años se ha popularizado el uso de contenedores como parte del día a día de los desarrolladores. Los contenedores permiten aislar y productivizar de forma más eficiente los modelos. En la gestión de estos contenedores han aparecido herramientas para la gestión y despliegue de clusters como Kubernetes. En este módulo aprenderemos los principios básicos y como desplegar modelos en estos entornos. Proyecto personal: contenerización de modelo y despliegue en clúster.

MÓDULO 7: MLOps y Cloud Computing

Cada vez es más frecuente apoyarse en servicios Cloud para tener total o parcialmente la infraestructura de una compañía. Desde servicios más básicos como GCE, AVM o EC2 hasta herramientas específicas para modelos de inteligencia artificial (SageMaker, Datalab o AML). Exploraremos las opciones que nos permiten los servicios Cloud para el entrenamiento, despliegue y mantenimiento de modelos. Proyecto personal: entrenamiento de modelo y model servicing en entorno Cloud.

MÓDULO 8: Caso aplicado: Predicciones de series temporales aplicadas al mercado laboral con Atlantis 

Este módulo muestra un caso real de las Atlantis, empresa colabora del curso. Nos contarán y trabajaremos un caso de predicción de series temporales.

MÓDULO 9: Caso aplicado: Productivización motor de recomendación hotelero con Satocan 

Un motor de recomendación es un caso aplicado muy relevante. Satocan, empresa colaborara en el curso nos explicará este caso y realizaremos la productivización de este modelo.

MÓDULO 10: Proyecto final

Trabajo final del alumno donde desplegará un modelo productivo utilizando todos los conocimientos adquiridos durante el curso. Contará con asistencia del profesorado y este proyecto formará parte de su portfolio

Bases que regulan la convocatoria del Curso MLOps: desarrollo y operaciones de inteligencia artificial (IA)