MLD108 · Modelos em produção: implantação e monitoramento

Transforme um modelo treinado em um serviço ou rotina em lote confiável, registre experimentos e versões e monitore a deriva dos dados e o desempenho para que o modelo continue valendo a pena.

Avançar · 8 horas · 4 aulas, um laboratório, uma atividade avaliada e uma peça de portfólio

Para quem é

Profissionais de dados e desenvolvedores que precisam colocar modelos de machine learning no dia a dia do negócio e mantê-los saudáveis.

Pré-requisitos

MLD105 e MLD107; noções básicas de linha de comando e Git.

O que você será capaz de fazer

• Escolher entre pontuação em lote e API em tempo real e empacotar um pipeline do scikit-learn para cada caso
• Registrar experimentos, versões de dados e modelos com o MLflow para que qualquer previsão possa ser rastreada até seu modelo
• Servir um modelo com FastAPI em um contêiner Docker, com validação de entrada e verificação de saúde
• Monitorar deriva dos dados, deriva das previsões e desempenho e definir regras de retreino e de reversão

Aulas

• Aula 1 · Do notebook para a produção
• Aula 2 · Rastreamento, versionamento e automação
• Aula 3 · Monitoramento e manutenção
• Aula 4 · Laboratório e atividade

Laboratório: Implante e monitore um modelo de previsão de demanda

Você vai pegar um modelo de previsão de demanda de uma pequena rede de padarias, registrá-lo no MLflow, servi-lo por um endpoint FastAPI no Docker e rodar um script noturno de pontuação em lote. Depois, vai simular dois meses de dados novos, detectar deriva com o Evidently e decidir se é hora de retreinar.

Ferramentas gratuitas: Docker Desktop, FastAPI, MLflow (local), Evidently (código aberto) e nível gratuito do GitHub Actions, no seu próprio computador

Atividade avaliada

Prepare um plano de produção e um protótipo funcionando para um modelo de sua escolha ou para a previsão das padarias fornecida. Entregue o modelo empacotado com registro no MLflow, uma API em Docker ou uma rotina em lote agendada com justificativa clara, um relatório de monitoramento cobrindo deriva das entradas, deriva das previsões e desempenho contra os valores reais e um documento de operação de uma página com responsáveis, limites de alerta, gatilhos de retreino, passos de reversão e a forma de registrar as previsões.

Peça de portfólio

Um modelo implantado e com versões rastreadas, acompanhado de relatório de monitoramento e documento de operação.

No seu ritmo, com 12 meses de acesso. Dúvidas são respondidas por escrito pelo painel do aluno. Ao concluir o curso, você recebe um registro de conclusão.