Свържете се с нас

Съдържание и теми, включени в курса

Въведение във внедряването на AI

  • Преглед на жизнения цикъл на внедряване на AI
  • Предизвикателства при внедряването на AI агенти в продукционна среда
  • Ключови съображения: мащабируемост, надеждност и поддръжка

Контейнеризация и оркестрация

  • Въведение в Docker и основи на контейнеризацията
  • Използване на Kubernetes за оркестрация на AI агенти
  • Най-добри практики за управление на контейнеризирани AI приложения

Обслужване на AI модели

  • Преглед на рамки за обслужване на модели (напр. TensorFlow Serving, TorchServe)
  • Изграждане на REST API за инференция на AI агенти
  • Обработка на пакетни спрямо предвиждания в реално време

CI/CD за AI агенти

  • Настройване на CI/CD тръбопроводи за внедряване на AI
  • Автоматизиране на тестването и валидирането на AI модели
  • Плавни обновления и управление на контрола на версиите

Наблюдение и оптимизация

  • Внедряване на инструменти за наблюдение на производителността на AI агенти
  • Анализ на отклонението на модела и нуждите от преобучение
  • Оптимизиране на използването на ресурси и мащабируемостта

Сигурност и управление

  • Осигуряване на съответствие с регулациите за поверителност на данните
  • Защита на тръбопроводите за внедряване на AI и API-тата
  • Одит и регистриране на събития за AI приложения

Практически дейности

  • Контейнеризиране на AI агент с Docker
  • Внедряване на AI агент с помощта на Kubernetes
  • Настройване на наблюдение за производителността на AI и използването на ресурси

Обобщение и следващи стъпки

Изисквания

  • Владеене на програмиране на Python
  • Разбиране на работните потоци в машинното обучение
  • Запознатост с инструменти за контейнеризация като Docker
  • Опит с DevOps практики (препоръчително)

Аудитория

  • MLOps инженери
  • DevOps професионалисти
 14 Часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории