Zkuste nás kontaktovat

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

Počet účastníků


Cena za účastníka

Nadcházející kurzy

Související kategorie