ステップバイステップ: Databricksでの AI と機械学習

この記事では、Databricks で AI と LLM のソリューションをネイティブに構築する方法を学習するのに役立つ記事を紹介します。トピックには、データの準備とモデルの構築からデプロイ、モニタリング、MLOps まで、エンドツーエンドの AI ライフサイクルの主要なステップが含まれます。

モデルトレーニング用のデータを準備する

ファインチューニング LLM のデータ準備など、AI ワークロード用のデータを読み込んで処理する方法を学びます。モデルトレーニング用にデータを準備する方法

Unity Catalog で利用できる特徴エンジニアリングを使用して、特徴量テーブルの作成方法、特徴のリネージの追跡方法、他のユーザーが既に構築した機能の検出方法を学びます。

AutoML を使用して機械学習モデルの効率的なトレーニングとチューニングを行う方法と、MLflow を使用してエクスペリメント追跡を行う方法について説明します。

リアルタイムワークロードにモデルサービングを使用する方法や、オフライン推論に MLflow モデルをデプロイする方法について説明します。

Databricks アセットバンドルを使用して、すべてのデータと AI アセットを効率的にパッケージ化してデプロイする方法について説明します。

Databricks を使用して DataOps、ModelOps、DevOps を組み合わせ、AI アプリケーションのエンドツーエンドの機械学習と LLM 運用を実現する方法をご覧ください。