Plan Szkolenia

Wprowadzenie do wdrożenia produkcyjnego

  • Kluczowe wyzwania związane z wdrażaniem dopracowanych modeli
  • Różnice między środowiskami programistycznymi i produkcyjnymi
  • Narzędzia i platformy do wdrażania modeli

Przygotowanie modeli do wdrożenia

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

Konteneryzacja dla wdrażania modeli

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

Skalowanie wdrożeń za pomocą Kubernetes

  • Wprowadzenie do Kubernetes dla obciążeń AI
  • Konfigurowanie klastrów Kubernetes na potrzeby hostingu modeli
  • Równoważenie obciążenia i skalowanie poziome

Monitorowanie i konserwacja modeli

  • Wdrażanie monitorowania za pomocą Prometheus i Grafana
  • Zautomatyzowane rejestrowanie w celu śledzenia błędów i wydajności
  • Przekwalifikowanie potoków do dryfowania i aktualizacji modeli

Zapewnienie bezpieczeństwa w produkcji

  • Zabezpieczanie interfejsów API do wnioskowania o modelach
  • Mechanizmy uwierzytelniania i autoryzacji
  • Rozwiązywanie problemów związanych z prywatnością danych

Studia przypadków i praktyczne laboratoria

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

Podsumowanie i kolejne kroki

Wymagania

  • Dobre zrozumienie procesów uczenia maszynowego
  • Doświadczenie w dostrajaniu modeli ML
  • Znajomość zasad DevOps lub MLOps

Uczestnicy

  • Inżynierowie DevOps
  • Praktycy MLOps
  • Specjaliści ds. wdrażania sztucznej inteligencji
 21 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie