Bądźmy w kontakcie
 Czas trwania 21 godzin

Plan Szkolenia

Wprowadzenie do operacji Kubernetes wspomaganych przez AI

  • Dlaczego AI ma znaczenie dla nowoczesnych operacji klastrowych
  • 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 przydziałów, limitów i żądań
  • Identyfikowanie wąskich gardeł i nieefektywności

Podejścia uczenia maszynowego do planowania

  • Modele nadzorowane i nienadzorowane do rozmieszczania obciążeń
  • Algorytmy predykcyjne do prognozowania zapotrzebowania na zasoby
  • Wykorzystanie cech ML w niestandardowych planistach

Uczenie ze wzmocnieniem do inteligentnego autoskalowania

  • Jak agenci RL uczą się na podstawie zachowania klastra
  • Projektowanie funkcji nagrody w celu zwiększenia efektywności
  • Budowanie strategii autoskalowania opartych na RL

Predykcyjne autoskalowanie z wykorzystaniem metryk i telemetrii

  • Wykorzystanie danych Prometheusa do prognozowania
  • Stosowanie modeli szeregów czasowych do autoskalowania
  • Ocena dokładności prognoz i dostrajanie modeli

Wdrażanie narzędzi optymalizacyjnych sterowanych przez AI

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

Strategie optymalizacji kosztów i wydajności

  • Obniżanie kosztów obliczeniowych dzięki skalowaniu predykcyjnemu
  • Poprawa wykorzystania GPU dzięki rozmieszczaniu sterowanemu przez ML
  • Równoważenie opóźnień, przepustowości i efektywności

Praktyczne scenariusze i rzeczywiste przypadki użycia

  • Autoskalowanie aplikacji o wysokim obciążeniu przy użyciu AI
  • Optymalizacja heterogenicznych pul węzłów
  • Stosowanie ML w środowiskach wielodostępnych

Podsumowanie i dalsze kroki

Wymagania

  • Znajomość podstaw Kubernetes
  • Doświadczenie we wdrażaniu aplikacji kontenerowych
  • Znajomość operacji klastrowych i zarządzania zasobami

Grupa docelowa

  • Inżynierowie SRE pracujący z rozproszonymi systemami na dużą skalę
  • Operatorzy Kubernetes zarządzający obciążeniami o wysokim zapotrzebowaniu
  • Inżynierowie platform optymalizujący infrastrukturę obliczeniową

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (2)

Propozycje terminów

Powiązane Kategorie