Kursplan

Grundläggande om AI-förbättrad släppkontroll

  • Förståelse av funktionsflaggor och progressiv leverans
  • Corekoncept för kanaritester och stegvis exponering
  • Var AI lägger till värde i släpparbetsflöden

Maskininlärningstekniker för rolloutbeslut

  • Baslinjemodellering av system- och användarbeteende
  • Anomalidetektionsmetoder för tidig varning
  • Överväganden kring träningsdata och feedbackslöjder

Design av AI-drivna strategier för funktionsflaggor

  • Dynamiska flaggregler baserade på AI-signaler
  • Exponeringströsklar och automatiserade poängporter
  • Anpassningsbar logik för ökning, paus eller återställning

AI-assisterad kanariutvärdering

  • Utvärdera kanarin mot baslinjeprestanda
  • Vägning av mått och skapande av AI-baserade riskpoäng
  • Aktivera automatiserade beslutspåvägar

Integrering av AI-modeller i släpppipelines

  • Infoga AI-kontroller i CI/CD-steg
  • Koppla samman funktionsflaggsystem med ML-motorer
  • Hantera pipelines för hybridautomatiserade/manuella arbetsflöden

Övervakning och observabilitet för AI-beslutsfattande

  • Signaler som krävs för pålitlig AI-inferens
  • Insamling av prestanda-, krasch- och beteendemått
  • Stänga loopen med kontinuerligt lärande

Riskhantering och driftstyrning

  • Säkerställa ansvarsfull automatisering i släppbeslut
  • Definiera villkor för mänsklig granskning och överhövdingar
  • Granska AI-drivna rolloutåtgärder

Skalning av AI-baserade rolloutstrategier över produkter

  • Multi-team styrningsramar
  • Återanvändbara ML-komponenter och modellstandardisering
  • Normalisering av produktövergripande telemetri

Sammanfattning och nästa steg

Krav

  • En förståelse av CI/CD-arbetsflöden
  • Erfarenhet av användning eller distribution av funktionsflaggor
  • Bekantskap med grundläggande statistiska eller prestandamåttskoncept

Målgrupp

  • Produktingenjörer
  • DevOps-professionals
  • Släppingenjörer och tekniska teamledare
 14 Timmar

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier