Kurzusleírás

AI telepítési bevezetése

  • AI telepítési életciklus áttekintése
  • AI ügynökök telepítése a termelési környezetbe való kihívások
  • Kulcsfontosságú szempontok: skálázhatóság, megbízhatóság és karbantarthatóság

Konténerizálás és orchestráció

  • Docker és a konténerizálás alapjai bevezetése
  • Kubernetes használata AI ügynök orchestrációjához
  • Konténerizált AI alkalmazások kezeléséhez ajánlott gyakorlatok

AI modellek szolgáltatása

  • Modellszolgáltató keretrendszerek áttekintése (pl. TensorFlow Serving, TorchServe)
  • REST API-k létrehozása AI ügynök előrejelzéseihez
  • Batch és valós idejű előrejelzések kezelése

CI/CD az AI ügynökökhez

  • CI/CD csövek beállítása AI telepítéseihez
  • AI modellek tesztelése és validálása automatizálása
  • Folyófrissítések és verziókezelés

Monitorozás és optimalizálás

  • Monitorozó eszközök bevezetése az AI ügynök teljesítményéhez
  • Modell eltolódás és újra tanítás szükségességének elemzése
  • Forráshasználat és skálázhatóság optimalizálása

Biztonság és kormányzat

  • Adatvédelmi szabályozások betartása
  • AI telepítési csövek és API-k biztonsága
  • AI alkalmazásokhoz auditálás és naplózás

Gyakorlati tevékenységek

  • AI ügynök konténerizálása Dockerrel
  • AI ügynök telepítése Kubernetes használatával
  • Monitorozás beállítása az AI teljesítményéhez és forráshasználathoz

Összegzés és következő lépések

Követelmények

  • Python programozás területeni szakértelem
  • Gépi tanulás munkafolyamatainak megértése
  • Ismeret a konténeresítési eszközökkel, mint Docker
  • DevOps gyakorlatokkal szerzett tapasztalat (ajánlott)

Audience

  • MLOps mérnökök
  • DevOps szakemberek
 14 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (1)

Közelgő kurzusok

Rokon kategóriák