Kursplan

Introduktion till AI-implementering

  • Översikt över livscykeln för AI-distribution
  • Utmaningar med att distribuera AI-agenter till produktion
  • Viktiga överväganden: skalbarhet, tillförlitlighet och underhåll

Skapande av behållare och orkestrering

  • Introduktion till Docker och grunderna för containerisering
  • Använda Kubernetes för AI-agentorkestrering
  • Metodtips för att hantera containerbaserade AI-program

Betjäna AI-modeller

  • Översikt över modellramverk för servering (t.ex. TensorFlow Servering, TorchTjäna)
  • Skapa REST-API:er för AI-agentinferens
  • Hantera batch- jämfört med realtidsprognoser

CI/CD för AI Agents

  • Konfigurera CI/CD-pipelines för AI-distributioner
  • Automatisera testning och validering av AI-modeller
  • Löpande uppdateringar och hantering av versionskontroll

Övervakning och optimering

  • Implementera övervakningsverktyg för AI-agentens prestanda
  • Analysera modellavvikelser och omträningsbehov
  • Optimera resursutnyttjande och skalbarhet

Säkerhet och Governans

  • Säkerställa efterlevnad av bestämmelser om datasekretess
  • Skydda pipelines och API:er för AI-distribution
  • Granskning och loggning för AI-program

Praktiska övningar Activities

  • Containerisera en AI-agent med Docker
  • Distribuera en AI-agent med hjälp av Kubernetes
  • Konfigurera övervakning för AI-prestanda och resursanvändning

Sammanfattning och nästa steg

Krav

  • Kunskaper i Python programmering
  • Förståelse för arbetsflöden för maskininlärning
  • Kunskaper om verktyg för skapande av behållare som Docker
  • Erfarenhet av DevOps metoder (rekommenderas)

Publik

  • MLOps Ingenjörer
  • DevOps Yrkesverksamma
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier