Modulets indhold, forløb og pædagogik

Kursets mål er at give en forståelse for hvordan AI-systemer kan implementeres, monitoreres og vedligeholdes i drift over længere tid, også kendt som MLOps (Machine Learning Operations). Kurset bygger direkte ovenpå ”AI-systemer og infrastruktur”. Kurset vil dels introducere koncepter som Software- as- a- Service, performance vs cost, carbon footprint, dels praktiske metoder til at dele, profilere og monitorere AI-systemer, samt adaptive metoder, distributeret træning og human-in-the-loop systemer til vedligeholdelse og sikring af stabil drift over tid.

Læringsmål

Viden

Studerende som gennemfører modulet vil opnå:

• Viden om distribuerede træningsparadigmer, Software-as-a-Service, performance vs. cost og carbon footprint
• Viden om bias i data samt concept drift
• Viden om human-in-the-loop-systemer

Færdigheder

Studerende som gennemfører modulet vil være i stand til at:

• Organisere projekter, så de kan vedligeholdes, deles og deployeres, f.eks. med versionsstyring, Continuous Integration (CI) og Continuous Machine Learning (CML)
• Sikre reproducerbarhed af deres resultater og imødegå eventuelle problemer med bias og concept drift
• Debugge, profilere og overvåge eksperimenter med og drift af AI-modeller, så ydelsen kan evalueres i flere dimensioner, f.eks. præcision, hastighed og concept drift

Kompetencer

Studerende som gennemfører modulet vil være i stand til at:

• Implementere AI-systemer, der er forberedt til længere tids drift, og derfor kan tage højde for både kontekstuelle effekter, f.eks. CO2 og finansielle effekter, samt tekniske drifteffekter f.eks. bias og concept drift.
• Håndtere deling, deployment og monitorering af AI-systemer.

Undervisningsform

Se oversigt over undervisningsformer under §17.

Eksamen

Forudsætning for indstilling til prøven

• For at kvalificere sig til eksamen, skal den studerende have afleveret obligatoriske opgaver rettidigt.

Prøver