Εξέλιξη Κομματιού

Ετοιμασία των Μοντέλων Μηχανικής Μάθησης για Εφαρμογή

  • Πακετοποίηση των μοντέλων με Docker
  • Εξαγωγή μοντέλων από TensorFlow και PyTorch
  • Σκέψεις για εκδόσεις και αποθήκευση

Εξυπηρέτηση Μοντέλων σε Kubernetes

  • Γενική εικόνα των διαμεσολαβητών προβλέψεων
  • Εφαρμογή TensorFlow Serving και TorchServe
  • Θέσπιση των πόρων των μοντελών

Τεχνικές βελτίωσης προβλέψεων

  • Στρατηγικές συμπερίληψης
  • Διαχείριση των παραλλήλων αιτημάτων
  • Ρύθμιση χρονικών και διαθεσιμότητας

Αυτόματη αλλαγή κλίμακας των φορτίων ML (Μηχανικής Μάθησης)

  • Horizontal Pod Autoscaler (HPA)
  • Vertical Pod Autoscaler (VPA)
  • Kubernetes Event-Driven Autoscaling (KEDA)

Εξοπλισμός και διαχείριση πόρων GPU

  • Ρύθμιση των κόμβων GPU
  • Γενική εικόνα για το plugin συσκευών NVIDIA
  • Αιτήματα και όρια πόρων για φορτία ML (Μηχανικής Μάθησης)

Στρατηγικές Εφαρμογής και Εκδόσεων των Μοντέλων

  • Blue/green deployments
  • Canary rollout patterns
  • A/B testing για εκτίμηση των μοντέλων

Παρακολούθηση και παρατηρητικότητα της ML (Μηχανικής Μάθησης) σε εφαρμογή

  • Δείκτες για φορτία προβλέψεων
  • Πρακτικές καταγραφής και αποσυράγματος
  • Ηλεκτρονικές πίνακες και σημαντικές ειδοποιήσεις

Συνθήκες ασφάλειας και πιστότητας

  • Διασφάλιση των πόρων μοντέλων
  • Πολιτικές δικτύου και ελέγχου πρόσβασης
  • Εξασφάλιση υψηλής διαθεσιμότητας

Περίληψη και επόμενα βήματα

Απαιτήσεις

  • Κατανόηση των εργασιών γεφυροπλοϊκών εφαρμογών
  • Εμπειρία με ML (Μηχανικής Μάθησης) μοντέλα βασισμένα στο Python
  • Γνώση των αρχών Kubernetes

Ακροατήριο

  • Μηχανικοί ML (Μηχανικής Μάθησης)
  • Μηχανικοί DevOps
  • Ομάδες πλατφόρμας μηχανικών
 14 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Σχόλια (5)

Εφεξής Μαθήματα

Σχετικές Κατηγορίες