Kurzusleírás

Bevezetés az AI-fokozott Kubernetes Műveletekbe

  • Miért fontos az AI a modern klaszter műveletekben
  • A hagyományos skálázási és ütemezési logika korlátai
  • Az ML kulcsfogalmai az erőforrás-kezelésben

A Kubernetes Erőforrás-kezelés Alapjai

  • CPU, GPU és memória kiosztás alapjai
  • Kvóták, korlátok és kérések megértése
  • Szűk keresztmetszetek és hatékonysági problémák azonosítása

Gépi Tanulási Megközelítések az Ütemezéshez

  • Felügyelt és felügyelet nélküli modellek a munkaterhelés elhelyezéséhez
  • Prediktív algoritmusok az erőforrásigényekre
  • ML funkciók használata egyéni ütemezőkben

Megerősítő Tanulás Intelligens Automatikus Skálázáshoz

  • Hogyan tanulnak a RL ügynökök a klaszter viselkedéséből
  • Jutalmazási függvények tervezése a hatékonyság érdekében
  • RL-alapú automatikus skálázási stratégiák kialakítása

Prediktív Automatikus Skálázás Metrikák és Telemetria Segítségével

  • Prometheus adatok használata előrejelzéshez
  • Idősor-modellek alkalmazása az automatikus skálázásban
  • Előrejelzési pontosság értékelése és modellek finomhangolása

AI-alapú Optimalizációs Eszközök Implementálása

  • ML keretrendszerek integrálása Kubernetes kontrollerekkel
  • Intelligens vezérlési hurkok üzembe helyezése
  • A KEDA kiterjesztése AI-alapú döntéshozatalhoz

Költség- és Teljesítményoptimalizálási Stratégiák

  • Számítási költségek csökkentése prediktív skálázással
  • GPU kihasználtság javítása ML-alapú elhelyezéssel
  • Késés, átviteli sebesség és hatékonyság egyensúlyozása

Gyakorlati Forgatókönyvek és Valódi Használati Esetek

  • Nagy terhelésű alkalmazások automatikus skálázása AI-val
  • Heterogén csomópont-készletek optimalizálása
  • ML alkalmazása több-bérlős környezetekben

Összefoglalás és Következő Lépések

Követelmények

  • A Kubernetes alapjainak ismerete
  • Tapasztalat konténerizált alkalmazások üzembe helyezésében
  • Ismeret a klaszter műveletekben és erőforrás-kezelésben

Közönség

  • SRE-k, akik nagy léptékű elosztott rendszerekkel dolgoznak
  • Kubernetes operátorok, akik nagy igényű munkaterheléseket kezelnek
  • Platformmérnökök, akik számítási infrastruktúrát optimalizálnak
 21 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (5)

Közelgő kurzusok

Rokon kategóriák