Plan Szkolenia

Wprowadzenie do operacji Kubernetes wspieranych przez AI

  • Dlaczego AI ma znaczenie dla nowoczesnych operacji na klastrach
  • Ograniczenia tradycyjnej logiki skalowania i planowania
  • Kluczowe koncepcje uczenia maszynowego w zarządzaniu zasobami

Podstawy zarządzania zasobami w Kubernetes

  • Podstawy alokacji CPU, GPU i pamięci
  • Zrozumienie limitów, przydziałów i żądań
  • Identyfikacja wąskich gardeł i nieefektywności

Podejścia uczenia maszynowego do planowania

  • Modele nadzorowane i nienadzorowane do umieszczania obciążeń
  • Algorytmy predykcyjne na potrzeby zapotrzebowania na zasoby
  • Wykorzystanie funkcji ML w niestandardowych planistach

Uczenie ze wzmocnieniem w inteligentnym automatycznym skalowaniu

  • Jak agenci RL uczą się na podstawie zachowania klastra
  • Projektowanie funkcji nagrody dla efektywności
  • Budowanie strategii automatycznego skalowania opartych na RL

Predykcyjne automatyczne skalowanie z wykorzystaniem metryk i telemetrii

  • Wykorzystanie danych z Prometheus do prognozowania
  • Stosowanie modeli szeregów czasowych do automatycznego skalowania
  • Ocena dokładności predykcji i dostrajanie modeli

Implementacja narzędzi optymalizacji wspieranych przez AI

  • Integracja frameworków ML z kontrolerami Kubernetes
  • Wdrażanie inteligentnych pętli sterowania
  • Rozszerzanie KEDA o wspomagane AI podejmowanie decyzji

Strategie optymalizacji kosztów i wydajności

  • Redukcja kosztów obliczeniowych poprzez predykcyjne skalowanie
  • Poprawa wykorzystania GPU dzięki umieszczaniu sterowanemu przez ML
  • Równoważenie opóźnień, przepustowości i efektywności

Praktyczne scenariusze i przypadki użycia z rzeczywistych zastosowań

  • Automatyczne skalowanie aplikacji o wysokim obciążeniu z wykorzystaniem AI
  • Optymalizacja heterogenicznych pul węzłów
  • Zastosowanie ML w środowiskach wielodostępnych

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie podstaw Kubernetes
  • Doświadczenie w wdrażaniu aplikacji kontenerowych
  • Znajomość operacji na klastrach i zarządzania zasobami

Grupa docelowa

  • Inżynierowie SRE pracujący z dużymi systemami rozproszonymi
  • Operatorzy Kubernetes zarządzający obciążeniami o wysokim zapotrzebowaniu
  • Inżynierowie platform optymalizujący infrastrukturę obliczeniową
 21 godzin

Liczba uczestników


Cena za uczestnika

Opinie uczestników (5)

Propozycje terminów

Powiązane Kategorie