Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Základy řízení nasazování s využitím umělé inteligence
- Principy fungování příznakových volbí a postupného uvedení nových funkcí do provozu
- Klíčové koncepty kanárkového testování a kontrolovaného rozšiřování dostupnosti funkcí
- V čem může umělá inteligence přinést hodnotu do procesů nasazování
Techniky strojového učení pro rozhodování během nasazování
- Vytváření základních modelů popisujících chování systému a uživatelů
- Metody detekce anomálií pro včasné varování před problémy
- Požadavky na trénovací data a mechanismy zpětné vazby
Návrh strategií s použitím umělé inteligence pro příznakové volbí
- Dynamická pravidla používání příznakových volbí založená na signálech od umělé inteligence
- Definování prahových hodnot pro rozšiřování dostupnosti a automatické kontrolní mechanismy
- Logika pro adaptivní zvyšování, pozastavení či vrácení změn v nasazených funkcích
Analýza kanárkového testování s podporou umělé inteligence
- Porovnávání výkonu nových funkcí v porovnání se základní verzí systému
- Stanovení váhy jednotlivých ukazatelů a tvorba rizikových skóre s využitím umělé inteligence
- Spouštění automatizovaných rozhodovacích procesů na základě těchto hodnocení
Integrace modelů umělé inteligence do nasazovacích kanálů
- Vkládání kontrol využívajících umělou inteligenci do jednotlivých fází CI/CD procesu
- Propojení systémů příznakových volbí s enginy na zpracování strojového učení
- Správa procesů kombinujících automatizované i manuální kroky nasazování
Monitorování a vizualizace dat pro rozhodování založená na umělé inteligenci
- Jaké informace jsou nezbytné pro spolehlivé fungování modelů umělé inteligence
- Shromažďování dat o výkonu, chybách a uživatelském chování
- Zavádění mechanismů nepřetržitého učení modelů na základě nových dat
Řízení rizik a organizační aspekty provozu s využitím umělé inteligence
- Zajištění zodpovědného využívání automatizace při rozhodování o nasazeních
- Určení podmínek pro lidský dohled a možnost rušení automatických rozhodnutí
- Auditing procesů nasazování řízených umělou inteligencí
Škálování strategií s využitím umělé inteligence napříč více produkty
- Rámce pro správu více týmů pracujících na různých produktech
- Vytváření znovu použitelných komponent strojového učení a standardizace modelů
- Normalizace dat o provozu napříč všemi produkty organizace
Závěrečné shrnutí a další kroky
Požadavky
- Základní znalost pracovních postupů v oblasti CI/CD
- Praktické zkušenosti s využíváním příznakových volbí nebo nasazovacích kanálů
- Orientace v základních konceptech statistiky či monitorování výkonu
Cílová skupina
- Inženýři v oblasti produktů
- Odborníci na DevOps
- Inženýři zodpovědní za nasazení a techničtí vedoucí
14 Hodiny