Kurzusleírás

Bevezetés a termelési bevezetésbe

  • A finomhangolt modellek bevezetésének fő kihívásai
  • A fejlesztési és a gyártási környezet közötti különbségek
  • Eszközök és platformok a modell bevezetéséhez

Modellek előkészítése a telepítéshez

  • Modellek exportálása szabványos formátumban (ONNX, TensorFlow SavedModel stb.)
  • A modellek optimalizálása a késleltetéshez és az átviteli sebességhez
  • Modellek tesztelése éles eseteken és valós adatokon

Konténerezés a modell bevezetéséhez

  • Bevezetés a Docker-ba
  • Docker kép létrehozása ML modellekhez
  • A konténerek biztonságának és hatékonyságának legjobb gyakorlatai

Telepítések méretezése a Kubernetes segítségével

  • Bevezetés a Kubernetes-be az AI-munkaterhelésekhez
  • Kubernetes fürtök beállítása modelltárhelyhez
  • Terheléselosztás és vízszintes méretezés

Modellfigyelés és karbantartás

  • Monitoring megvalósítása Prometheus és Grafana segítségével
  • Automatikus naplózás a hibakövetéshez és a teljesítményhez
  • Átképzési csővezetékek a modelleltolódáshoz és frissítésekhez

A gyártás biztonságának biztosítása

  • API-k biztosítása modellkövetkeztetéshez
  • Hitelesítési és engedélyezési mechanizmusok
  • Adatvédelmi aggályok kezelése

Esettanulmányok és gyakorlati laboratóriumok

  • Érzelemelemzési modell bevezetése
  • Gépi fordítási szolgáltatás bővítése
  • Monitoring megvalósítása képosztályozási modellekhez

Összegzés és a következő lépések

Követelmények

  • A gépi tanulási munkafolyamatok alapos ismerete
  • ML modellek finomhangolásában szerzett tapasztalat
  • A DevOps vagy MLOps elvek ismerete

Közönség

  • DevOps mérnökök
  • MLOps gyakorlók
  • AI telepítési szakértők
 21 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (1)

Közelgő kurzusok

Rokon kategóriák