Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Czas trwania 14 godzin
Plan Szkolenia
Wstęp do wdrażania AI
- Przegląd cyklu życia wdrażania AI
- Wyzwania związane z wdrażaniem agentów AI do produkcji
- Kluczowe aspekty: skalowalność, niezawodność i utrzymywalność
Konteneryzacja i orkiestracja
- Wprowadzenie do Dockera i podstaw konteneryzacji
- Korzystanie z Kubernetesa do orkiestracji agentów AI
- Best practice w zarządzaniu konteneryzowanymi aplikacjami AI
Serwisowanie modeli AI
- Przegląd frameworków do obsługi modeli (np. TensorFlow Serving, TorchServe)
- Budowanie interfejsów REST do inferencji agentów AI
- Obsługa przewidywań batchowych i w czasie rzeczywistym
CI/CD dla agentów AI
- Konfigurowanie pipeline'ów CI/CD dla wdrożeń AI
- Automatyzacja testowania i walidacji modeli AI
- Przewijane aktualizacje i zarządzanie wersjami
Monitorowanie i optymalizacja
- Implementacja narzędzi do monitorowania wydajności agentów AI
- Analiza dryfu modeli (model drift) i potrzeb ponownego treningu
- Optymalizacja wykorzystania zasobów i skalowalności
Bezpieczeństwo i zarządzanie
- Zapewnianie zgodności z przepisami dotyczącymi ochrony prywatności danych
- Bezpieczeństwo pipeline'ów wdrażania AI i interfejsów API
- Audytowanie i logowanie w aplikacjach AI
Zadania praktyczne
- Konteneryzacja agenta AI za pomocą Dockera
- Wdrażanie agenta AI za pomocą Kubernetesa
- Konfiguracja monitoringu wydajności AI i zużycia zasobów
Podsumowanie i kolejne kroki
Wymagania
- Znajomość programowania w Pythonie
- Rozumienie procesów uczenia maszynowego (ML workflows)
- Znajomość narzędzi konteneryzacyjnych, takich jak Docker
- Doświadczenie w praktykach DevOps (zalecane)
Grupa docelowa
- Inżynierowie MLOps
- SPECjaliści DevOps