Kom i kontakt
 Varaktighet 14 timmar

Kursplan

Grundvalar för MLOps på Kubernetes

  • Koncepter inom MLOps
  • MLOps jämfört med traditionell DevOps
  • Huvudutmaningar i hanteringen av ML-livscykeln

Containrarisering av ML-arbetsbelastningar

  • Paketering av modeller och träningskod
  • Optimering av containerbilder för ML
  • Hantering av beroenden och reproducerbarhet

CI/CD för maskininlärning

  • Strukturering av ML-repositorier för automation
  • Integrering av test- och verifieringssteg
  • Utlösning av pipelines för omträning och uppdateringar

GitOps för modellimplementering

  • GitOps-principer och arbetsflöden
  • Användning av Argo CD för modellimplementering
  • Versionshantering av modeller och konfigurationer

Pipelineorkestrering på Kubernetes

  • Byggande av pipelines med Tekton
  • Hantering av flerstegs-ML-arbetsflöden
  • Schemaläggning och resurshantering

Övervakning, loggning och återställningsstrategier

  • Spårning av datadrift och modellprestation
  • Integrering av larmning och observabilitet
  • Återställning och failover-metoder

Automatiserad omträning och förbättring av kontinuitet

  • Design av återkopplingslopp
  • Automation av schemalagd omträning
  • Integrering av MLflow för spårning och experimenthantering

Avancerade MLOps-arkitekturer

  • Implementeringsmodeller för multi-cluster och hybrid moln
  • Skalning av team genom delad infrastruktur
  • Säkerhets- och compliance-överväganden

Sammanfattning och nästa steg

Krav

  • Grundläggande förståelse för Kubernetes
  • Erfarenhet av arbetsflöden för maskininlärning
  • Kunskaper om utveckling baserad på Git

Målgrupp

  • ML-ingenjörer
  • DevOps-ingenjörer
  • ML-plattformsteam

Antal deltagare


Pris per deltagare

Vittnesmål (3)

Kommande Kurser

Relaterade Kategorier