Kurzusleírás

Bevezetés az AI következtetésbe Dockerrel

  • Az AI következtetési feladatok megértése
  • A konténerizált következtetés előnyei
  • Üzembe helyezési forgatókönyvek és korlátozások

AI következtetési konténerek létrehozása

  • Alapképek és keretrendszerek kiválasztása
  • Előre betanított modellek csomagolása
  • A következtetési kód szerkezetének kialakítása konténeres végrehajtáshoz

Konténerizált AI szolgáltatások biztonságossá tétele

  • A konténer támadási felületének minimalizálása
  • Titkok és érzékeny fájlok kezelése
  • Biztonságos hálózati és API kitettségi stratégiák

Hordozható üzembe helyezési technikák

  • Képek optimalizálása hordozhatóság érdekében
  • Kiszámítható futási környezetek biztosítása
  • Függőségek kezelése platformok között

Helyi üzembe helyezés és tesztelés

  • Szolgáltatások helyi futtatása Dockerrel
  • Hibakeresés következtetési konténerekben
  • Teljesítmény és megbízhatóság tesztelése

Üzembe helyezés szervereken és felhőbeli virtuális gépeken

  • Konténerek alkalmazása távoli környezetekhez
  • Biztonságos szerver hozzáférés konfigurálása
  • Következtetési API-k üzembe helyezése felhőbeli virtuális gépeken

Docker Compose használata több szolgáltatásból álló AI rendszerekhez

  • Következtetés összehangolása támogató komponensekkel
  • Környezeti változók és konfigurációk kezelése
  • Mikroszolgáltatások skálázása Compos-szal

AI következtetési szolgáltatások monitorozása és karbantartása

  • Naplózás és megfigyelési módszerek
  • Hibák észlelése a következtetési folyamatokban
  • Modellek frissítése és verziókezelése éles környezetben

Összefoglalás és következő lépések

Követelmények

  • Alapvető gépi tanulási fogalmak ismerete
  • Tapasztalat Pythonban vagy backend fejlesztésben
  • Alapvető konténer fogalmak ismerete

Közönség

  • Fejlesztők
  • Backend mérnökök
  • AI szolgáltatások üzembe helyezésével foglalkozó csapatok
 14 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (5)

Közelgő kurzusok

Rokon kategóriák