Kom i kontakt

Kursplan

Introduktion till AI-implementering

  • Översikt över livscykeln för AI-implementering
  • Utmaningar med att implementera AI-agenter i produktion
  • Viktiga överväganden: skalbarhet, tillförlitlighet och underhållbarhet

Containerisering och orkestrering

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

Servning av AI-modeller

  • Översikt över model serving-ramverk (t.ex. TensorFlow Serving, TorchServe)
  • Bygga REST-API:er för inferens för AI-agenter
  • Hantering av batch- vs realtidsförutsägelser

CI/CD för AI-agenter

  • Installation av CI/CD-pipelines för AI-implementering
  • Automatisering av testning och validering av AI-modeller
  • Rollande uppdateringar och versionstyrning

Överkvisa och optimering

  • Implementering av övervakningsverktyg för AI-agenters prestanda
  • Analys av model drift och behov av omträning
  • Optimering av resursutnyttjande och skalbarhet

Säkerhet och styrning

  • Säkerställa efterlevnad av dataskyddsregler
  • Säkrande av AI-implementationspipelines och API:er
  • Revision och loggning för AI-applikationer

Praktiska aktiviteter

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

Sammanfattning och nästa steg

Krav

  • Kompetens i Python-programmering
  • Förståelse för machine learning-flöden
  • Kännedom om containeriseringsverktyg som Docker
  • Erfarenhet av DevOps-praktiker (rekommenderas)

Målgrupp

  • MLOps-ingenjörer
  • DevOps-professionella
 14 Timmar

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier