Plan Szkolenia

Wprowadzenie do Wdrażania w Produkcji

  • Kluczowe wyzwania w wdrażaniu dostrojonych modeli
  • Różnice między środowiskami rozwojowymi a produkcyjnymi
  • Narzędzia i platformy do wdrażania modeli

Przygotowanie Modeli do Wdrożenia

  • Eksportowanie modeli w standardowych formatach (ONNX, TensorFlow SavedModel itp.)
  • Optymalizacja modeli pod kątem opóźnienia i przepustowości
  • Testowanie modeli na przypadkach skrajnych i rzeczywistych danych

Konteneryzacja dla Wdrażania Modeli

  • Wprowadzenie do Dockera
  • Tworzenie obrazów Docker dla modeli ML
  • Najlepsze praktyki dotyczące bezpieczeństwa i efektywności kontenerów

Skalowanie Wdrożeń z Kubernetes

  • Wprowadzenie do Kubernetes dla obciążeń AI
  • Konfigurowanie klastrów Kubernetes do hostowania modeli
  • Równoważenie obciążenia i skalowanie poziome

Monitorowanie i Konserwacja Modeli

  • Wdrażanie monitorowania za pomocą Prometheusa i Grafany
  • Automatyczne logowanie do śledzenia błędów i wydajności
  • Potoki retreningu dla dryfu modelu i aktualizacji

Zapewnienie Bezpieczeństwa w Produkcji

  • Zabezpieczanie API do wnioskowania modeli
  • Mechanizmy uwierzytelniania i autoryzacji
  • Rozwiązywanie problemów z prywatnością danych

Studia Przypadków i Praktyczne Laboratoria

  • Wdrażanie modelu analizy sentymentu
  • Skalowanie usługi tłumaczenia maszynowego
  • Wdrażanie monitorowania dla modeli klasyfikacji obrazów

Podsumowanie i Następne Kroki

Wymagania

  • Silne zrozumienie przepływów pracy w uczeniu maszynowym
  • Doświadczenie w dostrajaniu modeli ML
  • Znajomość zasad DevOps lub MLOps

Grupa docelowa

  • Inżynierowie DevOps
  • Praktycy MLOps
  • Specjaliści ds. wdrażania AI
 21 godzin

Liczba uczestników


Cena za uczestnika

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie