Lépjen kapcsolatba velünk
 Időtartalma 21 órák

Kurzusleírás

Bevezetés az AI-alapú Kubernetes-műveletekbe

  • Miért fontos az AI a modern klaszterműveletekben
  • A hagyományos skálázási és ütemezési logika korlátai
  • Az ML kulcsfontosságú fogalmai az erőforrás-kezelésben

A Kubernetes erőforrás-kezelésének alapjai

  • A CPU-, GPU- és memóriafoglalás alapjai
  • Kvóták, korlátok és kérések megértése
  • Szűk keresztmetszetek és hatékonysági problémák azonosítása

Gépi tanulási megközelítések az ütemezéshez

  • Felügyelt és felügyelet nélküli modellek a munkaterhelések elhelyezéséhez
  • Prediktív algoritmusok az erőforrásigény előrejelzésére
  • ML-funkciók használata egyedi ütemezőkben

Megerősítéses tanulás az intelligens automatikus skálázáshoz

  • Hogyan tanulnak az RL-ágensek a klaszter viselkedéséből
  • Jutalmazási függvények tervezése a hatékonyság érdekében
  • RL-vezérelt automatikus skálázási stratégiák kiépítése

Prediktív automatikus skálázás metrikákkal és telemetriával

  • Prometheus-adatok használata előrejelzéshez
  • Idősor-modellek alkalmazása az automatikus skálázásban
  • Az előrejelzés pontosságának értékelése és a modellek hangolása

AI-vezérelt optimalizáló eszközök bevezetése

  • ML-keretrendszerek integrálása Kubernetes-vezérlőkkel
  • Intelligens vezérlési hurkok telepítése
  • A KEDA kiterjesztése AI-támogatott döntéshozatalhoz

Költség- és teljesítményoptimalizálási stratégiák

  • Számítási költségek csökkentése prediktív skálázással
  • A GPU-kihasználtság javítása ML-vezérelt elhelyezéssel
  • A késleltetés, az átviteli sebesség és a hatékonyság egyensúlyba hozása

Gyakorlati forgatókönyvek és valós felhasználási esetek

  • Nagy terhelésű alkalmazások automatikus skálázása AI-jal
  • Heterogén csomópontkészletek optimalizálása
  • ML alkalmazása több-bérlős környezetekben

Összefoglalás és következő lépések

Követelmények

  • A Kubernetes alapjainak ismerete
  • Tapasztalat konténerizált alkalmazások telepítésében
  • A klaszterműveletek és az erőforrás-kezelés ismerete

Célközönség

  • Nagyméretű elosztott rendszerekkel dolgozó SRE-k
  • Nagy igénybevételű munkaterheléseket kezelő Kubernetes-üzemeltetők
  • Számítási infrastruktúrát optimalizáló platformmérnökök

Résztvevők száma


Ár per résztvevő

Vélemények (2)

Közelgő kurzusok

Rokon kategóriák