CI/CD dla AI: Automatyzacja budowania i wdrażania modeli opartych na Dockerze - Plan Szkolenia

Wprowadzenie do CI/CD w przepływach pracy AI

• Unikalne wyzwania potoków dostarczania modeli AI
• Porównanie tradycyjnych procesów DevOps i MLOps
• Kluczowe komponenty zautomatyzowanego wdrażania modeli

Konteneryzacja modeli AI z użyciem Dockera

• Projektowanie wydajnych plików Dockerfile do wnioskowania ML
• Zarządzanie zależnościami i artefaktami modeli
• Budowanie bezpiecznych i zoptymalizowanych obrazów

Konfigurowanie potoków CI/CD

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

Testowanie modeli AI w CI

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

Zautomatyzowane wdrażanie usług AI opartych na Dockerze

• Wdrażanie kontenerów AI w środowiskach chmurowych
• Wdrażanie strategii blue-green i canary
• Strategie wycofywania 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
• Alertowanie o nieudanych kompilacjach lub dryfie modelu
• Śledzenie zachowania wnioskowania w różnych środowiskach

Skalowanie potoków CI/CD dla systemów AI

• Równoległe budowanie dla dużych modeli
• Optymalizacja zasobów obliczeniowych i pamięci masowej
• Integracja rozproszonych i zdalnych runnerów

Podsumowanie i kolejne kroki