Kursplan

Introduktion till AI-placering

  • Översikt över AI-placeringscykeln
  • Utmaningar vid placering av AI-agenter i produktion
  • Viktiga överväganden: skalbarhet, pålitlighet och underhållbarhet

Containerisering och Orkestrering

  • Introduktion till Docker och grundläggande containerisering
  • Användning av Kubernetes för AI-agentorkestrering
  • Bästa praxis för hantering av containeriserade AI-applikationer

Att Sätta Ut AI-Modeller

  • Översikt över modellplaceringsramverk (t.ex. TensorFlow Serving, TorchServe)
  • Byggande av REST API:er för AI-agentinferens
  • Hantering av batch vs realtidsförutsägelser

CI/CD för AI-agenter

  • Inställning av CI/CD-pipelines för AI-placeringar
  • Automatisering av testning och validering av AI-modeller
  • Rullande uppdateringar och hantering av versionskontroll

Övervakning och Optimerings

  • Implementering av övervakningsverktyg för AI-agentprestanda
  • Analys av modelldrift och behov av omträning
  • Optimering av resursanvändning och skalbarhet

Säkerhet och Styre

  • Säkerställande av överensstämmelse med dataskyddsförordningar
  • Säkerställning av AI-placeringspipelines och API:er
  • Auditering och loggning för AI-applikationer

Hands-On-Aktiviteter

  • Containerisering av en AI-agent med Docker
  • Placering av en AI-agent med hjälp av Kubernetes
  • Inställning av övervakning för AI-prestanda och resursanvändning

Sammanfattning och Nästa Steg

Krav

  • Skicklighet i Python-programmering
  • Förståelse för maskininlärningsflöden
  • Kännedom om containeriseringsverktyg som Docker
  • Erfarenhet av DevOps-praktiker (rekommenderas)

Målgrupp

  • MLOps-engineers
  • DevOps-professionals
 14 timmar

Antal deltagare


Price per participant

Vittnesmål (1)

Upcoming Courses

Relaterade Kategorier