Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
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