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
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
Vélemények (1)
Sok gyakorlati feladat volt a tanári figyelemmel és támogatásával
Aleksandra - Fundacja PTA
Kurzus - Mastering Make: Advanced Workflow Automation and Optimization
Gépi fordítás