Corso Intelligenza Artificiale in Google Cloud con Vertex AI
Obiettivo del Corso: Il corso mira a fornire una comprensione approfondita di MLOps e delle soluzioni di machine learning (ML) su Google Cloud. I partecipanti apprenderanno come sviluppare, ottimizzare, e gestire modelli ML in ambienti reali, esplorando strumenti, best practices e tecniche avanzate per migliorare l'affidabilità, l'efficienza e la governance dei progetti ML.
Giorno 1: Fondamenti di MLOps e Strumenti di Google Cloud per l'Elaborazione Dati
Introduzione a MLOps e Ciclo di Vita di un Progetto ML
Panoramica del ciclo di vita di un progetto ML
Sfide comuni nello sviluppo di soluzioni ML reali (dati non rappresentativi, overfitting, underfitting)
Implicazioni etiche, bias, e preoccupazioni sui costi
Workshop: Identificare le principali sfide in un progetto ML
Importanza di MLOps per i Team ML
Cos'è MLOps e come influisce sulla gestione dei modelli ML
Livelli di maturità MLOps: Automazione dei processi, deployment automatico dei modelli
Opzioni di Archiviazione e Trasformazione dei Dati su Google Cloud
Google Cloud Storage, BigQuery, e Dataflow per la gestione dei dati
Strumenti di trasferimento dati: Transfer Appliance, BigQuery Data Transfer
Workshop: Preparare e trasformare un dataset per un progetto ML
Vertex AI Workbench: Ambiente di Sviluppo per Modelli ML
Introduzione a Jupyter Notebook e Vertex AI Workbench
Creazione di contenitori personalizzati e pianificazione delle esecuzioni
Esercizio pratico: Creazione di un ambiente di sviluppo con Vertex AI
Giorno 2: Costruzione e Ottimizzazione dei Modelli ML su Google Cloud
Modelli AutoML e Low-Code per ML
Cos'è AutoML e come usarlo su Google Cloud per creare modelli con dati strutturati
Creazione di modelli AutoML, training, e deployment
Workshop: Creazione e deployment di un modello AutoML
BQML: Low-Code per la Creazione di Modelli in BigQuery
Introduzione a BQML per trasformazioni e costruzione di modelli ML
Tecniche di tuning dei modelli e inferenza con BQML
Esercizio pratico: Creare e ottimizzare un modello ML con BQML
Training di Modelli Personalizzati con Vertex AI
Costruzione di un modello di deep learning con TensorFlow
Creazione e monitoraggio di un job di training su Vertex AI
Workshop: Costruire e addestrare un modello di deep learning
Spiegabilità del Modello e Ottimizzazione
Cos'è l'Explainable AI e perché è cruciale per MLOps
Tecniche di spiegabilità per dati tabulari, testuali e di immagini
Esercizio pratico: Applicare tecniche di spiegabilità su un modello pre-addestrato
Giorno 3: Automazione, Deployment e Soluzioni Pronte all'Uso su Google Cloud
Automazione dei Workflow ML con Vertex AI Pipelines e Cloud Composer
Creazione e gestione di pipeline ML su Google Cloud
Gestione dei modelli tramite Kubeflow Pipelines e Cloud Composer
Workshop: Creazione e orchestrazione di una pipeline ML
MLOps Governance: Modelli, Dati e Monitoraggio
Fondamenti di governance per MLOps (modelli, dati, costi)
Strumenti di governance in Vertex AI: Model Registry, Feature Store, Model Monitoring
Discussione: Best practices per garantire una governance efficace nei progetti ML
Strumenti di AI Generativa con Vertex AI
Fondamenti di AI Generativa e differenze con l'AI tradizionale
Creazione e deployment di modelli generativi: generazione di testo, immagini e codice
Workshop: Utilizzare Vertex AI Studio per costruire e ottimizzare un'applicazione GenAI
Soluzioni Pre-costruite per ML: Document AI, Vision AI e NLP
Introduzione a Document AI, Vision AI, e NLP API di Google Cloud
Applicazioni pratiche per il rilevamento di difetti nelle immagini e la classificazione del testo
Esercizio pratico: Costruire un sistema di raccomandazione o rilevamento difetti basato su immagini
Metodologia Didattica
Lezioni teoriche: Introduzione dei concetti chiave di MLOps e delle soluzioni di Google Cloud per il ML.
Esercitazioni pratiche: Applicazione dei concetti in laboratorio, con esempi reali.
Discussioni di gruppo: Risoluzione di casi studio, con focus su scenari aziendali reali e best practices.
Prerequisiti
Conoscenza di base di machine learning e Python.
Familiarità con le piattaforme cloud è utile, ma non essenziale.
Materiali del Corso
Slide delle lezioni.
Accesso ai laboratori pratici su Google Cloud.
Esempi di codice e dataset per le esercitazioni pratiche.
Questo corso fornirà agli studenti le competenze necessarie per progettare, implementare e gestire soluzioni di machine learning scalabili, ottimizzando l'intero ciclo di vita del progetto tramite MLOps.
TESTO RIFERIMENTO: https://learning.oreilly.com/library/view/the-definitive-guide/9781801815260/B17792_TOC_ePub.xhtml