Course Outline

Εισαγωγή στην Προβολή του AI

  • Περιγραφή του κύκλου ζωής προβολής AI
  • Ανησυχίες στην προβολή αστέριων AI σε παραγωγικά περιβάλλουντα
  • Κύριες επικαιρότητες: δυναμικό μεγέθους, αξιοπιστία και συντήρηση

Συμβάλλω τες και Διεύθυνση

  • Εισαγωγή στο Docker και τις βασικές πράξεις της συμβάλλω της
  • Χρήση Kubernetes για διεύθυνση αστέριων AI
  • Καλές πρακτικές για τη διαχείριση συμβάλλω κατασκευών αποδόσεων AI

Παροχή Μοντέλων AI

  • Περιγραφή πλαισίων παροχής μοντέλου (π.χ., TensorFlow Serving, TorchServe)
  • Δημιουργία REST APIs για συμπερασμού AI
  • Επικουρικότητα πακέτων vs πραγματικών χρόνων προβλήματα

CI/CD για AI Αστέρια

  • Ορισμός CI/CD πηγαίων για αποδόσεις AI
  • Αυτομάτου δοκιμών και επιβεβαίωσης μοντέλων AI
  • Εκ νέου πρόχειρες αναθέσεις και διαχείριση της ελάσματος

Διατήρηση και Συμβάλλω

  • Εφαρμογή εργαλείων διατήρησης για τη αξιοπιστία AI
  • Ανάλυση παρακμής μοντέλου και χρεών ξανάδοσης
  • Συμβάλλω της απόδοσης ειδικών και δυναμικό μεγέθους

Ασφάλεια και Διοίκηση

  • Υποχρέωση συμμόρφωσης με νόμους απορρήτου δεδομένων
  • Προστασία παραγωγικών περιβαλλόντων AI και APIs
  • Διατηρήση λογοτάφων για εφαρμογές AI

Πρακτικές Εργασίες

  • Συμβάλλω και αστέριων AI με Docker
  • Παροχή αστέριων AI χρησιμοποιώντας Kubernetes
  • Ορισμός διατήρησης για τη αξιοπιστία και ανάλυση χρησιμοποίησης ειδικών

Σύνοψη και Επόμενα βήματα

Requirements

  • Εξειδίκευση στο πρόγραμμα Python
  • Υπερβολική κατανόηση των διαδικασιών μηχανικής μάθησης
  • Γνώση εργαλείων πυρηνοποίησης όπως Docker
  • Εμπειρία στις πρακτικές DevOps (επιδοκιμασμένη)

Πληθυσμός

  • Τεχνικοί MLOps
  • Επαγγελματίες DevOps
 14 Hours

Number of participants


Price per participant

Testimonials (1)

Upcoming Courses

Related Categories