Lépjen kapcsolatba velünk
 Időtartalma 14 órák

Kurzusleírás

Bevezetés az AI-következtetésbe Dockerrel

  • Az AI-következtetési munkaterhelések megértése
  • A konténerizált következtetés előnyei
  • Telepítési forgatókönyvek és korlátok

AI-következtetési konténerek építése

  • Alaprendszerképek és keretrendszerek kiválasztása
  • Előtanított modellek csomagolása
  • A következtetési kód strukturálása konténeres végrehajtáshoz

Konténerizált AI-szolgáltatások védelme

  • A konténerek támadási felületének minimalizálása
  • Titkok és érzékeny fájlok kezelése
  • Biztonságos hálózati és API-közzétételi stratégiák

Hordozható telepítési technikák

  • Rendszerképek optimalizálása a hordozhatóság érdekében
  • Kiszámítható futásidejű környezetek biztosítása
  • Függőségek kezelése különböző platformokon

Helyi telepítés és tesztelés

  • Szolgáltatások futtatása helyben Dockerrel
  • Következtetési konténerek hibakeresése
  • Teljesítmény és megbízhatóság tesztelése

Telepítés szervereken és felhőalapú virtuális gépeken

  • Konténerek adaptálása távoli környezetekhez
  • Biztonságos szerver-hozzáférés konfigurálása
  • Következtetési API-k telepítése felhőalapú virtuális gépeken

A Docker Compose használata többszolgáltatásos AI-rendszerekhez

  • Következtetés vezénylése támogató komponensekkel
  • Környezeti változók és konfigurációk kezelése
  • Mikroszolgáltatások skálázása Compose-zal

AI-következtetési szolgáltatások monitorozása és karbantartása

  • Naplózási és megfigyelhetőségi megközelítések
  • Hibák észlelése a következtetési folyamatokban
  • Modellek frissítése és verziózása éles környezetben

Összefoglalás és következő lépések

Követelmények

  • Az alapvető gépi tanulási fogalmak ismerete
  • Tapasztalat Python vagy backend fejlesztés terén
  • A konténerek alapvető fogalmainak ismerete

Célközönség

  • Fejlesztők
  • Backend mérnökök
  • AI-szolgáltatásokat telepítő csapatok

Résztvevők száma


Ár per résztvevő

Vélemények (2)

Közelgő kurzusok

Rokon kategóriák