آموزش گردش کار هوش مصنوعی: استقرار مدل‌های AI در محیط عملیاتی - آخرین آپدیت

دانلود AI Workflow: AI in Production

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: این ششمین دوره از تخصص گواهینامه گردش کار سازمانی هوش مصنوعی IBM است. شدیداً توصیه می‌شود این دوره‌ها را به ترتیب دنبال کنید، زیرا این‌ها دوره‌های مستقل نیستند، بلکه بخشی از یک جریان کاری هستند که هر دوره بر پایه مفاهیم دوره قبلی بنا شده است. این دوره بر روی مدل‌های در حال اجرا در محیط عملیاتی (Production) در یک شرکت فرضی رسانه‌های استریم تمرکز دارد. در این مسیر، ابتدا با IBM Watson Machine Learning آشنا می‌شوید. سپس API اختصاصی خود را در یک کانتینر Docker می‌سازید و نحوه مدیریت کانتینرها با Kubernetes را می‌آموزید. همچنین ابزارهای مختلف دیگری در اکوسیستم IBM که برای استقرار و نگهداری مدل‌ها در محیط عملیاتی طراحی شده‌اند، معرفی می‌شوند. از آنجایی که گردش کار هوش مصنوعی یک فرآیند خطی نیست، بخشی از زمان به مهم‌ترین حلقه‌های بازخورد اختصاص یافته تا تکرار و بهبود بهینه در کل جریان کاری ارتقا یابد. در پایان این دوره شما قادر خواهید بود: ۱. از Docker برای استقرار یک اپلیکیشن Flask استفاده کنید. ۲. یک رابط کاربری (UI) ساده برای یکپارچه‌سازی مدل ML، Watson NLU و Watson Visual Recognition پیاده‌سازی کنید. ۳. اصطلاحات پایه Kubernetes را تحلیل کنید. ۴. یک اپلیکیشن وب مقیاس‌پذیر را روی Kubernetes مستقر کنید. ۵. حلقه‌های بازخورد مختلف در گردش کار هوش مصنوعی را بررسی کنید. ۶. کاربرد تست‌های واحد (Unit Testing) را در زمینه تولید مدل تحلیل کنید. ۷. از IBM Watson OpenScale برای ارزیابی سوگیری (Bias) و عملکرد مدل‌های یادگیری ماشین در محیط عملیاتی استفاده کنید. چه کسانی باید در این دوره شرکت کنند؟ این دوره برای متخصصان فعلی علوم داده است که در ساخت مدل‌های یادگیری ماشین تخصص دارند و می‌خواهند مهارت‌های خود را در ساخت و استقرار هوش مصنوعی در سازمان‌های بزرگ تعمیق بخشند. اگر یک متخصص علوم داده تازه‌کار هستید، این دوره برای شما مناسب نیست، زیرا برای بهره‌مندی از محتوای این دوره‌ها به تجربه عملی در دنیای واقعی نیاز دارید. پیش‌نیازها و مهارت‌های مورد نیاز: فرض بر این است که شما دوره‌های ۱ تا ۵ تخصص گردش کار سازمانی هوش مصنوعی IBM را گذرانده‌اید و پیش از شروع این دوره، درک استواری از موضوعات زیر دارید: درک بنیادی از جبر خطی؛ آشنایی با نمونه‌برداری، تئوری احتمال و توزیع‌های احتمالی؛ دانش مفاهیم آماری توصیفی و استنباطی؛ درک کلی از تکنیک‌های یادگیری ماشین و بهترین روش‌های اجرا؛ تسلط عملی بر زبان پایتون و بسته‌های رایج علوم داده مانند NumPy، Pandas، matplotlib، scikit-learn؛ آشنایی با IBM Watson Studio و آشنایی با فرآیند تفکر طراحی (Design Thinking).

سرفصل ها و درس ها

حلقه‌های بازخورد و مانیتورینگ Feedback loops and Monitoring

حلقه‌های بازخورد و تست‌های واحد Feedback Loops and Unit Testing
حلقه‌های بازخورد و بررسی تست‌های واحد Feedback Loops and Unit Tests
مانیتورینگ عملکرد و معیارهای تجاری Performance Monitoring and Business Metrics
افت عملکرد (Performance Drift) Performance Drift
مطالعه موردی مانیتورینگ عملکرد Performance Monitoring Case Study

کار عملی با Openscale و Kubernetes Hands on with Openscale and Kubernetes

عملیاتی کردن هوش مصنوعی قابل اعتماد با IBM Watson OpenScale Operationalize Trusted AI with IBM Watson OpenScale
توضیحات جامع درباره کوبرنتیز (Kubernetes) Kubernetes Explained
مقایسه کوبرنتیز و داکر: آیا این‌ها جایگزین یکدیگرند؟ Kubernetes vs. Docker: It's Not an Either/Or Question