Plan Szkolenia

Wprowadzenie do CI/CD dla przepływów pracy AI

  • Wyjątkowe wyzwania związane z potokami dostarczania modeli AI
  • Porównanie tradycyjnych procesów DevOps i MLOps
  • Kluczowe komponenty zautomatyzowanego wdrażania modeli

Konteneryzacja modeli AI za pomocą Dockera

  • Projektowanie efektywnych Dockerfile'ów dla wnioskowania ML
  • Zarządzanie zależnościami i artefaktami modeli
  • Budowanie bezpiecznych i zoptymalizowanych obrazów

Konfiguracja potoków CI/CD

  • Opcje narzędzi CI/CD i ich ekosystemy
  • Budowanie potoków do zautomatyzowanego pakowania modeli
  • Walidacja potoków za pomocą automatycznych kontroli

Testowanie modeli AI w CI

  • Automatyzacja kontroli integralności danych
  • Testy jednostkowe i integracyjne dla usług modelowych
  • Walidacja wydajności i regresji

Automatyczne wdrażanie usług AI opartych na Dockerze

  • Wdrażanie kontenerów AI w środowiskach chmurowych
  • Implementacja strategii blue-green i canary
  • Strategie wycofywania w przypadku nieudanych wdrożeń

Zarządzanie wersjami modeli i artefaktami

  • Korzystanie z rejestrów do kontroli wersji modeli i kontenerów
  • Tagowanie, podpisywanie i promowanie obrazów
  • Koordynowanie aktualizacji modeli w różnych usługach

Monitorowanie i obserwowalność w CI/CD dla AI

  • Śledzenie wydajności potoków i modeli
  • Powiadamianie o nieudanych budowach lub dryfie modeli
  • Śledzenie zachowań wnioskowania w różnych środowiskach

Skalowanie potoków CI/CD dla systemów AI

  • Równoległa budowa dużych modeli
  • Optymalizacja zasobów obliczeniowych i magazynowych
  • Integracja rozproszonych i zdalnych runnerów

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie cyklu życia modeli uczenia maszynowego
  • Doświadczenie w konteneryzacji za pomocą Dockera
  • Znajomość koncepcji i potoków CI/CD

Odbiorcy

  • Inżynierowie DevOps
  • Zespoły MLOps
  • Inżynierowie AI-ops
 21 godzin

Liczba uczestników


Cena za uczestnika

Propozycje terminów

Powiązane Kategorie