Zkuste nás kontaktovat

Návrh Školení

Základy MLOps na platformě Kubernetes

  • Klíčové koncepty MLOps
  • MLOps ve srovnání s tradičními postupy DevOps
  • Hlavní výzvy při správě životního cyklu modelů strojového učení

Kontejnerizace pracovních nákladů strojového učení

  • Balení modelů a kódu určeného k trénování
  • Optimalizace kontejnerových obrazů pro potřeby strojového učení
  • Správa závislostí a zajištění reprodukovatelnosti výsledků

CI/CD pro strojové učení

  • Strukturování repozitářů obsahujících kód strojového učení za účelem automatizace
  • Začlenění testovacích a validačních procesů do pracovního toku
  • Spouštění pipeline pro opětovné trénování modelů a jejich aktualizaci

GitOps při nasazování modelů strojového učení

  • Principy a postupy pracovního toku typu GitOps
  • Využití nástroje Argo CD k nasazování modelů strojového učení
  • Správa verzí modelů a jejich konfigurace pomocí Gitu

Koordinace pipeline na platformě Kubernetes

  • Vytváření pracovních postupů s využitím nástroje Tekton
  • Správa vícestupňových workflow pro strojové učení
  • Plánování a správa využití prostředků

Monitorování, logování a strategie navracení k starší verzi

  • Sledování změn v datech a výkonnosti modelů
  • Začlenění mechanismů upozorňování a monitorování systémového stavu
  • Postupy pro navracení ke starší verzi modelu či odstranění chyb při selhání nasazení

Automatické opětovné trénování a nepřetržitý zdokonalování modelů

  • Návrh zpětnovazebních cyklů mezi modelem a daty
  • Automatizace periodického trénování modelů podle nastavených rozvrhů
  • Integrace nástroje MLflow k sledování experimentů a jejich výsledků

Pokročilé architektury MLOps

  • Nasazení v několika clusterách nebo hybridních cloudových prostředích
  • Možnosti rozšiřování týmů při sdílení jedné infrastruktury
  • Aspekty bezpečnosti a souladu s předpisy v prostředí MLOps

Shrnutí kurzu a další kroky

Požadavky

  • Znalost základních principů platformy Kubernetes
  • Praktické zkušenosti s pracovními postupy v oblasti strojového učení
  • Přehled o vývoji v prostředí Gitu

Cílová skupina

  • Inženýři strojového učení
  • DevOps inženýři
  • Týmy odpovědné za vývoj a správu platforem strojového učení
 14 Hodiny

Počet účastníků


Cena za účastníka

Reference (4)

Nadcházející kurzy

Související kategorie