Tutoriales

Dra. María del Pilar Gómez Gil

MLOps

MSc. Iván Reyes-Amezcua
MSc. Alexis Iván López Escamilla
Dr. Gilberto Ochoa-Ruiz
Dr. Gerardo Rodríguez-Hernández

Este curso ofrece un examen exhaustivo de las Operaciones de Aprendizaje Automático (MLOps) en relación con la visión por computadora. El curso comienza con una visión general de MLOps y la visión por computadora, luego se sumerge profundamente en los fundamentos del aprendizaje automático y enfoques particulares de la visión por computadora.

Los asistentes adquirirán conocimiento de las principales plataformas y tecnologías de MLOps, así como técnicas de gestión de datos apropiadas. El ciclo de vida del desarrollo de modelos también se cubre en el curso, con énfasis en la optimización de hiperparámetros y la validación de modelos. Al integrar MLOps en la investigación de visión por computadora, los investigadores pueden asegurarse de que sus modelos no solo sean teóricamente sólidos, sino también prácticamente viables, capaces de ser.

 

MSc. Iván Reyes-Amezcua, Estudiante de Doctorado en Ciencias de la Computación. Centro de Investigación y de Estudios Avanzados del Instituto Politécnico Nacional (CINVESTAV), México. Ivan.reyes@cinvestav.mx. Iván Reyes-Amezcua es Ingeniero en Sistemas Computacionales, con una maestría en ciencias de la computación de CINVESTAV, México. Actualmente es estudiante de doctorado en ciencias de la computación en el mismo centro de investigación. Profesor de cursos de licenciatura y posgrado sobre temas relacionados con ciencia de datos, inteligencia artificial, algoritmos, desarrollo web y computación en la nube. Ha participado en diferentes proyectos con la industria relacionados con el desarrollo de sistemas basados en inteligencia artificial. Su investigación actual se centra en el desarrollo de modelos robustos para la visión por computadora con aprendizaje profundo.

MSc. Alexis Iván López Escamilla, …

Dr. Gilberto Ochoa-Ruiz, Investigador Principal, Inteligencia Artificial Avanzada, Escuela de Ingeniería y Ciencias, ITESM, México. gilberto.ochoa@tec.mx.Gilberto Ochoa-Ruiz es investigador en Visión por Computadora, Aprendizaje Automático e Internet de las Cosas, afiliado al Grupo de Investigación de IA Avanzada en el Tecnológico de Monterrey. Ha participado como investigador asociado y profesor en varios programas acreditados por el programa CONACYT PNPC, enfocados en Ciencias de la Computación y Tecnologías de la Información y Comunicación. Obtuvo una maestría en Visión por Computadora en Robótica de la Universidad de Heriot-Watt y un doctorado en Visión por Computadora e Imagen Electrónica de la Université de Bourgogne, en el Laboratoire d’Imagerie et Vision Artificielle).

Dr. Gerardo Rodríguez-Hernández, Profesor, Inteligencia Artificial Avanzada, Escuela de Ingeniería y Ciencias ITESM, Guadalajara, México. gerardo.rodriguez@tec.mx Profesor de Ciencias de la Computación, afiliado al Grupo de Investigación de IA Avanzada en el Tecnológico de Monterrey. Sus intereses de investigación actuales son el desarrollo de modelos sustitutos basados en Aprendizaje Profundo, la implementación de modelos de DL en dispositivos Edge y MLOps. Es Ingeniero Electrónico por la Universidad de Guadalajara, MSc en Inteligencia Artificial Aplicada por la Universidad de Exeter (Reino Unido) y DPhil en Nanomateriales por la Universidad de Oxford (Reino Unido).


 

  1. Introduction to MLOps on the Cloud for Computer Vision (30  min) –Dr Gilberto

    1. Model Development Lifecycle

      1. Jorge basarse en la intro del de COMIA, pipeline, roles, pero breve

      2. Ivan hablar sobre paralelismo de entrenamiento

    2. Overview of MLOps Tools (MLflow, Kubeflow, etc.) 

      1. Ivan Intro, objetivos del tutorial, organización de la presentación

      2. Gerardo hablar sobre Kubeflow vs MLFlow, y otras MetaFlow hacer tablita

      3. Alexis conclusiones, que se requiere en la industria y conectas con el siguiente tema

    3. Cloud Platforms for MLOps (AWS, Google Cloud, Azure)

      1. Alexis hablar sobre experiencia con Azure, Google Cloud, IBM

      2. Ivan hablar sobre AWS

    4. Azure walkthrough

i. Azure for ML

ii. Azure equivalents on AWS and GCP


  1. Requisitos Mencionar Requerimientos técnicos: (20 min) Manual Ivan (README)

    1. Crear equipos

    2. Asignar cuentas de Azure por equipos

    3. Crear instancias para participantes

  • Cuenta en Weights and Biases

  • Revisar el repo


  1. Data Management  and CI/CD in MLOps (30 min) –Alexis

    1. Handling Data Drift –Gerardo — Demo

    2. Pipelines (Alexis) – Demo


  1. Hyperparameter Tuning and Model Verification  (30 min)

    1. Data Versioning and Validation

      1. Ivan hablar sobre Selección de modelo DVC y DagsHub, breve ejemplo de código

      2. Demo: DVC y DagsHUB (metashift? pendiente)

    2. Monitoring Model Performance

      1. Alexis hablar sobre Weights and Biases

        1. PRACTICA: Weights and Biases

https://docs.ray.io/en/latest/tune/examples/tune-wandb.html

  1. (Intercambiable) Automatic Hyperparameter Tunning Techniques and Optimization

    1. Ivan optimización de hyperparámetros con raytune 

      1. PRACTICA: RayTune (with MLFlow) https://docs.ray.io/en/latest/tune/examples/tune-mlflow.html

  2. Demo (30 min)

    1. Ivan Demo MLFlow

    2. (Intercambiable) Ivan Tuneo de hyperparámetros  en MLFlow

  1. Case Study: MLOps for Kidney Stones Image Analysis (20 min)

    1. Application of MLOps in Medical Imaging 

      1. Gilberto hablar sobre cómo pudiera mejorar la ciencia con MLOps (reproducibilidad, escalabilidad)

    2. Challenges and Solutions

      1. Gilberto hablar sobre los retos en los datasets de CV-INSIDE

    3. Course Wrap-up and Next Steps

      1. Gilberto de tendencias




Expected Target Audience


  • Computer Science Students: Undergraduate or graduate students interested in concentrating in machine learning operations and computer vision who are studying computer science, data science, or a similar discipline.

  • Machine Learning Practitioners: Professionals in the machine learning industry who wish to improve their knowledge of and abilities in MLOps and its use in computer vision.

  • Data Scientists: Data scientists who want to comprehend the practical facets of implementing machine learning models, particularly in the context of computer vision.

  • Software Engineers: Software engineers who wish to comprehend the lifespan of machine learning models, from development to deployment and maintenance, and who are making the transfer into data-centric roles.

  • Medical Professionals: Healthcare industry experts that are curious about how MLOps might be used in medical imaging and other computer vision applications in the field.


Links and Materials



Notes and Considerations

This tutorial was recently conducted at the Mexican Congress of Artificial Intelligence 2023 (COMIA). We had approximately 20 attendees from various universities, the majority of whom were PhD students.


 

Patrocinadores

Partner Logo Partner Logo Partner Logo