Kurzusleírás

Bevezetés az AI üzembe helyezésbe

  • Az AI üzembe helyezési életciklus áttekintése
  • Kihívások az AI ügynökök éles környezetben való üzembe helyezése során
  • Fontos szempontok: skálázhatóság, megbízhatóság és karbantarthatóság

Konténerezés és orkestráció

  • Docker és a konténerezés alapjainak bemutatása
  • Kubernetes használata az AI ügynökök orkestrálásához
  • Legjobb gyakorlatok a konténerezett AI alkalmazások kezeléséhez

Modell szolgáltatás

  • A modell szolgáltatási keretrendszerek (pl. TensorFlow Serving, TorchServe) áttekintése
  • AI ügynök inferencia értelmezésére való REST API-k készítése
  • Batch és valós idejű előrejelzések kezelése

CI/CD az AI ügynökökhöz

  • CI/CD folyamatok beállítása az AI üzembe helyezésekhez
  • AI modellek automatikus tesztelése és validálása
  • Rolygozó frissítések és verzióközpontú kezelés

Monitorozás és optimalizálás

  • Az AI ügynök teljesítményének monitorozási eszközeinek megvalósítása
  • Modell elterjedésének elemzése és újratanítás szükségességének meghatározása
  • Erőforrás felhasználásának és skálázhatóságának optimalizálása

Biztonság és adatkezelés

  • Adatvédelmi szabályzatok betartásának biztosítása
  • AI üzembe helyezési folyamatok és API-k biztonságos megvalósítása
  • AI alkalmazások naplózása és felügyeletének szabályozása

Gyakorlati tevékenységek

  • AI ügynök konténerezése Dockerrel
  • AI ügynök Kubernetes-sel való üzembe helyezése
  • Az AI teljesítmény és erőforrás felhasználás monitorozásának beállítása

Összefoglaló és következő lépések

Követelmények

  • Python programozási nyelvben való bizonyos tudás
  • Gépi tanulási folyamatok megértése
  • Docker és hasonló konténerezési eszközök ismerete
  • DevOps gyakorlatok tapasztalata (ajánlott)

Célcsoport

  • MLOps mérnökök
  • DevOps szakemberek
 14 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (1)

Közelgő kurzusok

Rokon kategóriák