Επικοινωνήστε μαζί μας

Εξέλιξη Κομματιού

Εισαγωγή στις Λειτουργίες Kubernetes με Ενισχυμένη Τεχνητή Νοημοσύνη

  • Γιατί η Τεχνητή Νοημοσύνη έχει σημασία για τις σύγχρονες λειτουργίες συμπλέγματος
  • Περιορισμοί της παραδοσιακής λογικής κλιμάκωσης και χρονοπρογραμματισμού
  • Βασικές έννοιες Μηχανικής Μάθησης για τη διαχείριση πόρων

Θεμέλια Διαχείρισης Πόρων Kubernetes

  • Βασικές αρχές κατανομής CPU, GPU και μνήμης
  • Κατανόηση ποσοστώσεων, ορίων και αιτημάτων
  • Εντοπισμός σημείων συμφόρησης και αναποτελεσματικότητας

Προσεγγίσεις Μηχανικής Μάθησης για τον Χρονοπρογραμματισμό

  • Εποπτευόμενα και μη εποπτευόμενα μοντέλα για την τοποθέτηση φόρτου εργασίας
  • Προγνωστικοί αλγόριθμοι για τη ζήτηση πόρων
  • Χρήση χαρακτηριστικών ML σε προσαρμοσμένους χρονοπρογραμματιστές

Ενισχυτική Μάθηση για Ευφυή Αυτόματη Κλιμάκωση

  • Πώς οι πράκτορες RL μαθαίνουν από τη συμπεριφορά του συμπλέγματος
  • Σχεδιασμός συναρτήσεων ανταμοιβής για αποδοτικότητα
  • Ανάπτυξη στρατηγικών αυτόματης κλιμάκωσης με οδηγό την RL

Προγνωστική Αυτόματη Κλιμάκωση με Μετρικές και Τηλεμετρία

  • Χρήση δεδομένων Prometheus για πρόβλεψη
  • Εφαρμογή μοντέλων χρονοσειρών στην αυτόματη κλιμάκωση
  • Αξιολόγηση ακρίβειας πρόβλεψης και βελτιστοποίηση μοντέλων

Υλοποίηση Εργαλείων Βελτιστοποίησης με Οδηγό την ΤΝ

  • Ενσωμάτωση πλαισίων ML με ελεγκτές Kubernetes
  • Ανάπτυξη ευφυών βρόχων ελέγχου
  • Επέκταση του KEDA για λήψη αποφάσεων με υποβοήθηση ΤΝ

Στρατηγικές Βελτιστοποίησης Κόστους και Απόδοσης

  • Μείωση κόστους υπολογιστικών πόρων μέσω προγνωστικής κλιμάκωσης
  • Βελτίωση αξιοποίησης GPU με τοποθέτηση βάσει ML
  • Εξισορρόπηση καθυστέρησης, ρυθμαπόδοσης και αποδοτικότητας

Πρακτικά Σενάρια και Περιπτώσεις Πραγματικής Χρήσης

  • Αυτόματη κλιμάκωση εφαρμογών υψηλού φόρτου με ΤΝ
  • Βελτιστοποίηση ετερογενών ομάδων κόμβων
  • Εφαρμογή ML σε περιβάλλοντα πολλαπλών ενοικιαστών

Σύνοψη και Επόμενα Βήματα

Απαιτήσεις

  • Κατανόηση βασικών αρχών του Kubernetes
  • Εμπειρία στην ανάπτυξη εφαρμογών σε containers
  • Εξοικείωση με λειτουργίες συμπλέγματος (cluster) και διαχείριση πόρων

Κοινό-στόχος

  • SREs που εργάζονται με μεγάλης κλίμακας κατανεμημένα συστήματα
  • Διαχειριστές Kubernetes που διαχειρίζονται φόρτους εργασίας υψηλής ζήτησης
  • Μηχανικοί πλατφόρμας που βελτιστοποιούν την υπολογιστική υποδομή
 21 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Σχόλια (3)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες