Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bemutatkozás az AI-bevezetéssel
- Az AI-bevezetési életciklus áttekintése
- Kihívások az AI-ügynökök üzembe helyezéséhez
- Fő szempontok: skálázhatóság, megbízhatóság és karbantarthatóság
Konténerizálás és koordinálás
- Bemutatkozás a Dockerral és a konténerizálás alapjaival
- Kubernetes használata az AI-ügynökök koordinálására
- Legjobb gyakorlatok a konténerizált AI-alkalmazások kezeléséhez
AI-modellek kiszolgálása
- Model serving keretrendszerek áttekintése (pl. TensorFlow Serving, TorchServe)
- REST API-k készítése az AI-ügynökök következtetéséhez
- Kötet (batch) és valós idejű előrejelzések kezelése
CI/CD AI-ügynökökhöz
- CI/CD csatornák beállítása AI-bevezetésekhez
- AI-modellek tesztelésének és validálásának automatizálása
- Folyamatos frissítések és verziókezelés
Figyelés és optimalizálás
- Figyelőeszközök bevezetése az AI-ügynökök teljesítményéhez
- Model drift elemzése és újratanítási igények
- Erőforrás-használat és skálázhatóság optimalizálása
Biztonság és governance
- Adatvédelmi jogszabályoknak való megfelelőség biztosítása
- AI-bevezetési csatornák és API-k biztonságának megteremtése
- Auditálás és naplózás AI-alkalmazásokhoz
Kezeműgyakorlatok
- AI-ügynök konténerizálása Dockerrel
- AI-ügynök telepítése Kubernetes-szel
- AI-teljesítmény és erőforrás-használat figyelésének beállítása
Összegzés és következő lépések
Követelmények
- Python programozási tudás
- Gép tanulás (machine learning) munkafolyamatok ismerete
- Konténerizáló eszközök, például a Docker ismerete
- Tapasztalat DevOps módszertanok terén (ajánlott)
Célközönség
- MLOps mérnökök
- DevOps szakemberek
14 Órák
