Bądźmy w kontakcie

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
 14 godzin

Liczba uczestników


Cena za uczestnika (netto)

Propozycje terminów

Powiązane Kategorie