MLOps: 機械学習のCI/CDのトレーニングコース

このコースは、Continuous Integration、Continuous Delivery、Continuous Testing および Continuous Deployment をサポートする DevOps デプロイメント パイプラインとツールチェーンの設計、実装、管理に従事している参加者向けです。本コースでは、Continuous Delivery の基盤となるプロセス、メトリクス、API および文化に関する考慮事項について解説します。

テストを最適化し、より速くテストを行いながら良質で一貫性のある安定した結果を得る方法を学びます。

DevOpsエンジニアリングとは何か、なぜDevOpsエンジニアリングが重要なのか、どのように成功に導くのかを学びます。

コースはDevOpsの基礎原則の短いレビューから始まり、その後DevOpsの実装へと移行します。このコースはエンジニアリングの観点から設計されており、他のフレームワークとの関係、テクノロジー、アプリケーション設計の実践、連続インテグレーションの実践、連続デリバリーと展開、連続テスト、弾性インフラストラクチャ、モニタリング、メトリックス、オブザーバビリティ、ガバナンス、人間的側面、DevOpsエンジニアリングの未来の傾向などのトピックをカバーします。

DevOps Foundationコースは、基本的なDevOps用語の理解を提供し、全員が同じ言葉で話せるようにするとともに、組織的成功を支えるためのDevOpsの利点を強調します。

このコースでは、文化変革の人間的側面に焦点を当て、実際のシナリオや事例研究を通じて DevOps スペクトラム全体の人々をエンゲージするための実践、手法、ツールを提供します。コース修了後には、Value Stream Mapping の理解など、職場に戻った際に活用できる具体的な成果物を得ることができます。

価値ストリーム管理の原則、実践、ツールへの導入。デジタル価値ストリームでのフローと実現を最適化し、個人のスキルを開発することを目指しています。デジタル価値ストリームには、ソフトウェアアプリケーションやサービスだけでなく、それらをサポートするプラットフォーム（クラウドインフラストラクチャやDevOpsツールチェーンなど）も含まれます。

本コースでは、DevSecOpsがどのようにビジネス価値を提供し、ビジネス機会を拡大し、企業の価値を向上させるかについて学びます。教える核心的なDevSecOpsの原則は、組織変革を支援し、生産性を高め、リスクを低減し、リソースの使用を最適化することに貢献します。

DevSecOps Practitioner は、DevSecOps 実践のより包括的な理解に進むための一連の実践を紹介します。人間の適切なミックスを見つけること、価値を加速するプロセスを構築すること、今日利用可能な技術的オプションを比較することを通じて、実践的な成果を探求します。最近変革された組織で DevSecOps スキルと認識を向上させたい方々向けにカスタマイズされています。

この講師主導のライブトレーニング（オンラインまたはオンサイト）は、開発者とデータサイエンティスト向けに設計されており、Kubernetes上で機械学習ワークフローを構築、デプロイ、管理する方法を学ぶことができます。

このトレーニングの終了時には、参加者は以下のことができるようになります：

• AWS EKS（Elastic Kubernetes Service）を使用してオンプレミスおよびクラウド上でKubeflowをインストールおよび設定します。
• DockerコンテナとKubernetesに基づいたMLワークフローを構築、デプロイ、管理します。
• さまざまなアーキテクチャとクラウド環境で機械学習パイプライン全体を実行します。
• Kubeflowを使用してJupyterノートブックを生成および管理します。
• 複数のプラットフォーム間でMLトレーニング、ハイパーパラメータチューニング、サービスワークロードを構築します。

この講師主導のライブトレーニング（オンラインまたはオンサイト）では、エンジニアが AWS EC2 サーバー上に機械学習のワークロードをデプロイする方法を学びます。

このトレーニング終了時には、参加者は以下のことができるようになります：

• AWS 上で Kubernetes、Kubeflow およびその他の必要なソフトウェアをインストールおよび構成します。
• EKS (Elastic Kubernetes Service) を使用して AWS 上での Kubernetes クラスターの初期化作業を簡素化します。
• 製品環境で ML モデルの自動化と管理に使用される Kubernetes パイプラインを作成およびデプロイします。
• 並列実行する複数の GPU およびマシン上で TensorFlow の ML モデルをトレーニングしてデプロイします。
• 他の AWS 管理サービスを利用して ML アプリケーションを拡張します。

この講師主導の実践トレーニング（オンラインまたはオンサイト）では、エンジニアが Azure クラウドに Machine Learning のワークロードをデプロイすることを目指します。

このトレーニングの終了時には、参加者は以下のことをできるようになります：

• Azure 上で Kubernetes、Kubeflow およびその他の必要なソフトウェアをインストールおよび設定する。
• Azure Kubernetes Service (AKS) を使用して Azure 上の Kubernetes クラスタの初期化作業を簡素化する。
• プロダクションで ML モデルを自動化および管理するための Kubernetes パイプラインを作成およびデプロイする。
• 複数の GPU と並列に動作するマシン上で TensorFlow ML モデルをトレーニングおよびデプロイする。
• 他の AWS 管理サービスを使用して ML アプリケーションを拡張する。

Kubeflow は、Kubernetes 上で機械学習のワークロードを構築、トレーニング、デプロイするためのオープンソースプラットフォームです。

このインストラクター主導のライブトレーニング（オンラインまたはオンサイト）は、Kubeflow を使用して信頼性の高い ML ワークロードを構築したい初心者から中級レベルのプロフェッショナルを対象としています。

このトレーニングを修了すると、受講者は以下のスキルを習得します：

• Kubeflow エコシステムと主要コンポーネントの概要を理解する。
• Kubeflow Pipelines を使用して再現可能なワークフローを構築する。
• Kubernetes 上でスケーラブルなトレーニングジョブを実行する。
• Kubeflow Serving を使用して機械学習モデルを効率的にサービングする。

コース形式

• ガイド付きプレゼンテーションと協調的な議論。
• 実際の Kubeflow コンポーネントを使用したハンズオンラボ。
• 端から端までの ML ワークロードを構築する実践的な演習。

コースのカスタマイズオプション

• このトレーニングのカスタマイズされたバージョンは、チームのテクノロジースタックとプロジェクト要件に合わせて調整できます。

このインストラクター主導のライブトレーニング（オンラインまたはオンサイト）は、Kubernetes上で機械学習ワークフローを構築、展開、管理したい開発者とデータサイエンティストを対象としています。

このトレーニングの終了時には、参加者は以下のことをできるようになります：

• オンプレミスとクラウドでKubeflowをインストールおよび設定する。
• DockerコンテナとKubernetesに基づくMLワークフローを構築、展開、管理する。
• 異なるアーキテクチャとクラウド環境上で全体的な機械学習パイプラインを実行する。
• Kubeflowを使用してJupyterノートブックを生成および管理する。
• 複数のプラットフォームでMLトレーニング、ハイパーパラメータ調整、サービングワークロードを構築する。

このインストラクター主導のライブトレーニング（オンラインまたはオンサイト）は、データサイエンティスト向けで、単にMLモデルの構築だけでなく、MLモデルの作成、追跡、展開プロセスを最適化することを目指しています。

このトレーニングの終了時には、参加者は以下のことができるようになります：

• MLflowと関連するMLライブラリおよびフレームワークをインストールおよび設定する。
• MLモデルの追跡可能性、再現可能性、展開可能性の重要性を理解する。
• 異なるパブリッククラウド、プラットフォーム、またはオンプレミスサーバーにMLモデルをデプロイする。
• プロジェクトで複数のユーザーが協力できるようにML展開プロセスを拡大する。
• 実験、再現、展開のための中央レジストリを設定する。

SRE（Site Reliability Engineering）Foundationコースは、組織が重要なサービスを信頼性高く且つ経済的に拡大するための原則と実践手法を紹介します。サイト信頼性の要素を導入することで、組織再編成、エンジニアリングと自動化への新たな焦点、および一連の新しいワークスタイルの採用が必要となります。