Kursplan

Introduktion till CI/CD för AI-arbetsflöden

  • Unika utmaningar med AI-modellleveranspipeliner
  • Jämförande traditionell DevOps och MLOps-processer
  • Kärnkomponenter i automatiserade modelledistributionsarbetsflöden

Containrarbetande av AI-modeller med Docker

  • Utformning av effektiva Dockerfiles för ML-inferens
  • Hantering av beroenden och modellartefakter
  • Bygga säkra och optimerade bilder

Inställning av CI/CD-pipeliner

  • CI/CD-verktygsalternativ och deras ekosystem
  • Bygga pipeliner för automatiserad modellförpackning
  • Validering av pipeliner med automatiserade kontroller

Testning av AI-modeller i CI

  • Automatisering av dataintegritetskontroller
  • Enhetstest och integrations tester för modelltjänster
  • Presta- och regressionervalidering

Automatiserad distribution av Docker-baserade AI-tjänster

  • Distribuera AI-containrar till molnmiljöer
  • Implementering av blue-green och canary-utvecklingar
  • Återställningsstrategier för misslyckade distributioner

Hantering av modellversioner och artefakter

  • Användning av registrieringar för versionshantering av modeller och containrar
  • Tagging, signering och promovering av bilder
  • Koordinering av modelluppdateringar över tjänster

Övervakning och synlighet i CI/CD för AI

  • Spårning av pipelin- och modellprestanda
  • Varningar vid misslyckade bygg eller modellavvikelse
  • Spåra inferensbeteende över miljöer

Skalning av CI/CD-pipeliner för AI-system

  • Parallellisering av bygg för stora modeller
  • Optimering av beräknings- och lagringstjänster
  • Integration av distribuerade och fjärrkörningar

Sammanfattning och nästa steg

Krav

  • En förståelse för livscykeln för maskininlärningsmodeller
  • Erfarenhet av Docker-containrarbetande
  • Bekantskap med CI/CD-koncept och pipeliner

Målgrupp

  • DevOps-ingenjörer
  • MLOps-team
  • AI-ops-ingenjörer
 21 timmar

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier