Destino Dev

Cursos

MLOps: Deploy de Modelos de ML em Produção

Domine a arte de levar modelos de Machine Learning do laboratório para a produção com eficiência, confiabilidade e escalabilidade. Este curso avançado de MLOps cobre todo o ciclo de vida de modelos de ML em ambientes produtivos, desde o versionamento de dados e modelos até a implantação automatizada e monitoramento contínuo.

Você aprenderá a construir pipelines de ML robustos utilizando ferramentas como MLflow, DVC, Docker, Kubernetes e plataformas de nuvem como AWS SageMaker e Google Vertex AI. Explore técnicas de CI/CD adaptadas para projetos de ML, estratégias de serving como Blue-Green e Canary deployments, e como implementar monitoramento de data drift e model degradation em produção.

Ao final do curso, você será capaz de projetar e implementar uma infraestrutura completa de MLOps, integrando práticas de engenharia de software com as demandas específicas de sistemas de Machine Learning. O projeto final consiste em uma plataforma end-to-end de deploy de modelos com monitoramento automatizado, alinhada com as melhores práticas do mercado.

Conteúdo do curso

Módulo 1: Fundamentos de MLOps e Ciclo de Vida do ML

Compreenda os princípios de MLOps, o ciclo de vida completo de projetos de ML em produção e as ferramentas essenciais do ecossistema.

  1. O que é MLOps e por que importa
  2. Ciclo de Vida de Projetos de ML em Produção
  3. Principais Ferramentas e Plataformas de MLOps
  4. Versionamento de Dados com DVC
  5. Rastreamento de Experimentos com MLflow
  6. Gerenciamento de Artefatos e MLflow Model Registry
  7. Práticas de Governança e Documentação em MLOps
  8. Feature Store: Centralizando e Reutilizando Features

Módulo 2: Containerização e Orquestração para ML

Aprenda a containerizar modelos de ML com Docker e orquestrar cargas de trabalho em produção com Kubernetes.

  1. Docker para Projetos de ML: Fundamentos e Boas Praticas
  2. APIs de Inferencia Containerizadas com FastAPI e Docker
  3. Kubernetes para ML: Deploy e Escalabilidade
  4. Helm Charts para Deploy de Modelos
  5. Gerenciamento de Segredos e Configuracoes em ML
  6. Estrategias de Scaling: Quantizacao e Batching
  7. Observabilidade de Modelos com Prometheus e Grafana

Módulo 3: Pipelines de ML e CI/CD

Construa pipelines automatizados de treinamento e deploy, implementando práticas de CI/CD adaptadas para projetos de Machine Learning.

  1. Fundamentos de Pipelines de ML Automatizados
  2. Construindo Pipelines com Apache Airflow
  3. GitHub Actions para CI/CD em Projetos de ML
  4. Testes Automatizados para Sistemas de ML
  5. Validacao de Dados com Great Expectations
  6. Estrategias de Deploy: Blue-Green e Canary
  7. Deploy Continuo de Modelos com GitOps e ArgoCD

Módulo 4: Model Serving e APIs de Inferência

Domine os padrões e ferramentas para servir modelos de ML em produção com alta disponibilidade, baixa latência e throughput escalável.

  1. Padroes de Model Serving em Producao
  2. Serving com FastAPI: Boas Praticas Avancadas
  3. MLflow Models Serving e BentoML
  4. TensorFlow Serving e TorchServe
  5. Triton Inference Server para Alta Performance
  6. Otimizacao de Latencia e Throughput
  7. API Gateway e Load Balancing para ML

Módulo 5: Monitoramento, Observabilidade e Re-treinamento

Implemente monitoramento completo de modelos em produção, detecte data drift e concept drift, e automatize estratégias de re-treinamento.

  1. Monitoramento de Modelos em Producao: Conceitos e Arquitetura
  2. Detectando Data Drift com Evidently AI
  3. Concept Drift: Identificacao e Estrategias de Resposta
  4. Metricas de Negocio vs Metricas de Modelo
  5. Prometheus e Grafana para ML: Dashboards Avancados
  6. Alertas e Resposta a Incidentes em Sistemas de ML
  7. Estrategias de Re-treinamento Automatico

Módulo 6: Projeto Final: Plataforma MLOps Completa em Produção

Construa uma plataforma MLOps end-to-end integrando todos os conceitos do curso: versionamento, pipelines, serving, monitoramento e automação.

  1. Arquitetura da Plataforma MLOps Completa
  2. Setup de Infraestrutura: Kubernetes, MLflow e Monitoring Stack
  3. Pipeline de Treinamento Automatizado com Airflow
  4. Model Registry, Validacao e Promocao Automatica
  5. Deploy Automatizado com Canary e Monitoramento
  6. Implementando Re-treinamento Automatico com Drift Detection
  7. Documentacao, Testes de Carga e Entrega do Projeto Final