Intrati in legatura
 Durata 14 ore

Schița de curs

Pregătirea modelurilor de Machine Learning pentru deployment

  • Pachetizarea modelurilor cu Docker
  • Exportul modelurilor din TensorFlow și PyTorch
  • Considerații privind versioning și stocare

Model Serving pe Kubernetes

  • Prezentare generală a serverelor de inferență
  • Deploymentul TensorFlow Serving și TorchServe
  • Configurarea endpoint-urilor pentru modele

Tehnici de optimizare a inferenței

  • Strategii de batching
  • Managearea cerințelor concurente
  • Optimizarea latenței și a throughput-ului

Autoscaling pentru workloads ML

  • Horizontal Pod Autoscaler (HPA)
  • Vertical Pod Autoscaler (VPA)
  • Kubernetes Event-Driven Autoscaling (KEDA)

Provisioning GPU și managementul resurselor

  • Configurarea nodurilor GPU
  • Prezentare generală a plugin-ului de dispozitive NVIDIA
  • Requests și limits de resurse pentru workloads ML

Strategii de rollout și lansare a modelurilor

  • Deployments blue/green
  • Modeluri de canary rollout
  • A/B testing pentru evaluarea modelurilor

Monitoring și observabilitate pentru ML în producție

  • Metrici pentru workloads de inferență
  • Bune practici de logging și tracing
  • Dashboards și alerting

Considerații privind securitatea și fiabilitatea

  • Securizarea endpoint-urilor pentru modele
  • Politici de rețea și controlul accesului
  • Asigurarea disponibilității ridicate (high availability)

Rezumat și pașii următori

Cerințe

  • Înțelegerea fluxurilor de lucru pentru aplicații containerizate
  • Experiență cu modele de machine learning bazate pe Python
  • Familiaritate cu fundamentele Kubernetes

Public-țintă

  • Ingineri ML
  • Ingineri DevOps
  • Echipe de Platform Engineering

Numărul de participanți


Pret per participant

Mărturii (4)

Cursuri viitoare

Categorii înrudite