Dagens svensklektion – CI/CD i praktiken för ML

Tema: Automatisering av träning, test och driftsättning

1️⃣ Dagens ord (6 nya ord)

1. kontinuerlig integration

Uttal: kon-ti-nu-er-lig in-te-gra-tion Definition: Automatiserad process där kod och förändringar testas vid varje uppdatering. Engelska: continuous integration (CI) Exempel:

Kontinuerlig integration säkerställer att ändringar inte bryter ML-pipelinen.

2. kontinuerlig leverans

Uttal: kon-ti-nu-er-lig le-ve-rans Definition: Automatiserad process för att leverera färdiga artefakter till produktion. Engelska: continuous delivery/deployment (CD) Exempel:

Kontinuerlig leverans gör det möjligt att snabbt driftsätta nya modellversioner.

3. pipeline

Uttal: pajp-lajn Definition: En automatiserad kedja av steg för bygg, test och driftsättning. Engelska: pipeline Exempel:

CI/CD-pipelinen kör både träning och validering av modellen.

4. validering

Uttal: va-li-de-ring Definition: Kontroll av att modellen uppfyller definierade krav innan driftsättning. Engelska: validation Exempel:

Validering av prestanda sker innan modellen godkänns för produktion.

5. artefakt

Uttal: ar-te-fakt Definition: Resultat från ett byggsteg, till exempel en tränad modell eller metadata. Engelska: artifact Exempel:

Den tränade modellen lagras som en versionerad artefakt.

6. godkännandesteg

Uttal: god-kän-nan-de-steg Definition: Manuellt eller automatiskt beslut innan driftsättning. Engelska: approval gate Exempel:

Ett godkännandesteg krävs innan modellen når produktion.

2️⃣ Dagens meningar (6 meningar)

1. CI/CD automatiserar hela flödet från kodändring till driftsättning.
2. ML-pipelines skiljer sig från traditionell mjukvara genom träningssteg.
3. Validering säkerställer att modellen håller tillräcklig kvalitet.
4. Artefakter behöver versionshanteras för spårbarhet.
5. Godkännandesteg minskar risken för oavsiktliga driftsättningar.
6. En välbyggd pipeline förbättrar både kvalitet och tempo.

3️⃣ Dialog / Talträning

DevOps: Hur skiljer sig CI/CD för ML från vanlig CI/CD? Jag: Förutom kodtester måste vi även träna, validera och versionera modeller. DevOps: Vad händer om prestandan försämras? Jag: Då stoppar pipelinen driftsättningen via ett godkännandesteg. DevOps: Är allt automatiserat? Jag: Det mesta, men kritiska steg bör ibland kräva manuell granskning.

🎤 Tala högt: – Vilka steg bör ingå i en ML-pipeline? – När är manuell godkännande viktig?

4️⃣ Lyssning (simulerad)

Talad text:

I CI/CD för ML integreras kodändringar med träning och test av modeller. När ny kod eller nya data checkas in startar pipelinen automatiskt. Modellen tränas, valideras och sparas som en artefakt. Endast om kvalitetskraven uppfylls går pipelinen vidare till driftsättning. Detta skapar ett kontrollerat och repeterbart flöde.

Förståelsefrågor:

1. Vad triggar ML-pipelinen?
2. Vilka steg sker innan driftsättning?
3. Varför är flödet repeterbart viktigt?

5️⃣ Läsförståelse

Text:

CI/CD i ML-sammanhang syftar till att minska manuellt arbete och öka tillförlitligheten i driftsättning. Till skillnad från traditionell mjukvara måste ML-pipelines även hantera data, träning och modellvalidering. Detta ställer högre krav på automatisering och spårbarhet.

Genom att versionera både kod, data och modeller kan team snabbt identifiera vilken version som används i produktion. Godkännandesteg fungerar som en säkerhetsmekanism när förändringar riskerar att påverka verksamheten. En välstrukturerad CI/CD-process är därför en central del av modern MLOps.

Frågor:

1. Varför kräver ML högre grad av automatisering?
2. Vad behöver versionshanteras utöver kod?
3. Vilken roll spelar godkännandesteg?
4. Sammanfatta texten med 2–3 meningar.

6️⃣ Skrivövning ✍️

Uppgift: Skriv 5–8 meningar som svar på frågan:

Hur skulle du designa en CI/CD-pipeline för ML-modeller i produktion?

Krav:

• professionell svenska
• lugn och saklig ton
• använd minst tre av dagens ord

Exempel:

Jag skulle designa en CI/CD-pipeline genom att versionera kod, data och modeller på ett strukturerat sätt. Git används för källkod, medan kompletterande verktyg hanterar versionering av data och modellartefakter. Detta skapar spårbarhet och gör det möjligt att återskapa tidigare versioner vid behov. För att minska risker införs godkännandesteg innan förändringar driftsätts i produktion. Dessa steg säkerställer att nya versioner uppfyller både tekniska och verksamhetsmässiga krav. På så sätt kan förändringar införas kontrollerat utan att påverka verksamheten negativt.

🔹 Uttryck som höjer nivån

• versionera på ett strukturerat sätt
• kompletterande verktyg
• skapa spårbarhet
• driftsättas i produktion
• verksamhetsmässiga krav

🎯 Intervjutips

Den här formuleringen fungerar mycket bra för frågor som:

• Hur arbetar du med CI/CD för ML?
• Hur minskar du risker vid driftsättning?
• Hur säkerställer du spårbarhet i ML-system?