Kurzusleírás

Bevezetés az AI üzembe helyezésbe

  • Az AI üzembe helyezési életciklus áttekintése
  • Kihívások az AI ügynökök termelési környezetekbe történő üzembe helyezésében
  • Kulcsfontosságú szempontok: skálázhatóság, megbízhatóság és karbantarthatóság

Konténerizáció és irányítás

  • Bevezetés a Dockerbe és a konténerizáció alapjaiba
  • Kubernetes használata AI ügynökök irányításához
  • Ajánlott eljárások konténeresített AI alkalmazások kezeléséhez

AI modellek kiszolgálása

  • Modell kiszolgáló keretrendszerek áttekintése (pl. TensorFlow Serving, TorchServe)
  • REST API-k építése AI ügynökök következtetéséhez
  • Kötegelt és valós idejű előrejelzések kezelése

CI/CD az AI ügynökök számára

  • CI/CD folyamatok beállítása AI üzembe helyezésekhez
  • AI modellek tesztelésének és ellenőrzésének automatizálása
  • Folyamatos frissítések és verziókövetés kezelése

Monitorozás és optimalizáció

  • Monitorozási eszközök implementálása AI ügynökök teljesítményének követéséhez
  • Modell drift elemzése és újratanítási igények
  • Erőforrás-használat és skálázhatóság optimalizálása

Biztonság és irányítás

  • Adatvédelmi előírások betartásának biztosítása
  • AI üzembe helyezési folyamatok és API-k biztonságossá tétele
  • Naplózás és auditálás AI alkalmazásokhoz

Gyakorlati tevékenységek

  • AI ügynök konténeresítése Dockerrel
  • AI ügynök üzembe helyezése Kubernetes segítségével
  • AI teljesítmény és erőforrás-használat monitorozásának beállítása

Összefoglalás és következő lépések

Követelmények

  • Python programozási ismeretek
  • Gépi tanulási munkafolyamatok ismerete
  • Ismeret a konténerizációs eszközökről, mint a Docker
  • Tapasztalat DevOps gyakorlatokban (ajánlott)

Célközönség

  • MLOps mérnökök
  • DevOps szakemberek
 14 Órák

Résztvevők száma


Ár per résztvevő

Közelgő kurzusok

Rokon kategóriák