MLOps Školení v Prague

Toto školení vedené instruktorem v reálném čase v Prague (online nebo na místě) je určeno pro pokročilé inženýry v oblasti AI a datové vědce s středně pokročilými až pokročilými zkušenostmi, kteří chtějí zlepšit výkon modelů DeepSeek, minimalizovat latenci a efektivně nasazovat řešení AI pomocí moderních postupů MLOps.

Do konce tohoto školení se účastníci naučí:

• Optimalizovat modely DeepSeek z hlediska efektivity, přesnosti a škálovatelnosti.
• Implementovat osvědčené postupy pro MLOps a správu verzí modelů.
• Nasazovat modely DeepSeek v cloudu i v lokální infrastruktuře.
• Efektivně monitorovat, udržovat a škálovat řešení AI.

MLOps na Kubernetes je rámec pro automatizaci tréninku, ověřování, balení a nasazování modelů strojového učení pomocí kontejnerizovaných potoků a pracovních postupů GitOps.

Toto školení vedené instruktorem (online nebo na místě) je zaměřeno na odborníky středního levelu, kteří chtějí postavit automatizované a škálovatelné MLOps potoky na Kubernetes.

Po absolvování tohoto školení budou účastníci připraveni:

• Návrh end-to-end CI/CD potoků pro strojové učení.
• Implementace pracovních postupů GitOps pro nasazení a verze modelů.
• Automatizace tréninku, testování a balení ML modelů.
• Integrace monitorování, upozorňování a strategií navracení zpět.

Formát kurzu

• Prezentace vedená instruktorem a technické detaily.
• Praktické cvičení, která budují skutečné CI/CD pracovní postupy.
• Praxe v laboratoři nasazováním ML úloh na Kubernetes.

Možnosti přizpůsobení kurzu

• Organizace mohou požadovat obsah upravený podle jejich interních nástrojů MLOps a infrastruktury.

Kubeflow je open-source platforma navržená k zjednodušení vytváření, trénování a nasazování pracovních úloh strojového učení na Kubernetes.

Tato školení pod vedením instruktora (online nebo na místě) je určena začátečním až středně pokročilým profesionálům, kteří se chtějí naučit sestavovat spolehlivé pracovní postupy strojového učení pomocí Kubeflow.

Po absolvování tohoto školení budou účastníci získávat dovednosti k:

• Pohybu v ekosystému Kubeflow a jeho hlavních komponentách.
• Sestavování reproducibilních pracovních postupů pomocí Kubeflow Pipelines.
• Spouštění škálovatelných tréninkových úloh na Kubernetes.
• Efektivnímu nasazování modelů strojového učení pomocí Kubeflow Serving.

Formát kurzu

• Řízená prezentace a společná diskuse.
• Praktické laboratoře s reálnými komponentami Kubeflow.
• Praktické cvičení k vytváření pracovních postupů ML od konce do konce.

Možnosti přizpůsobení kurzu

• Přizpůsobené verze tohoto školení mohou být upraveny tak, aby odpovídaly technologickému stacku a požadavkům vašeho týmu.

Docker je platforma pro kontejnerizaci, která se používá k vytváření reprodukovatelných, přenosných a škálovatelných prostředí pro ML systémy.

Tato instruktorem vedená živá školení (online nebo na místě) je určená pokročilým technickým profesionálům, kteří chtějí kontejnerizovat a provozovat kompletní ML datové potoky pomocí Dockeru.

Po absolvování tohoto školení budou účastníci schopni:

• Kontejnerizovat výpočetní zátěže pro trénink, ověřování a inferenci ML.
• Návrh a orchestrování end-to-end ML datových potoků pomocí Dockeru a podporujících nástrojů.
• Implementace verzování, reprodukovatelnosti a CI/CD pro ML komponenty.
• Nasazení, monitorování a škálování ML služeb v kontejnerizovaných prostředích.

Formát kurzu

• Interaktivní přednášky podporované praktickými demonstracemi.
• Přímočará cvičení zaměřená na vytváření skutečných komponent ML datových potoků.
• Implementace živé laboratoře pro end-to-end kontejnerizované pracovní postupy.

Možnosti přizpůsobení kurzu

• Pro školení přizpůsobené konkrétním potřebám ML infrastruktury se prosím obraťte na nás pro diskusi o možnostech.

Tato instruktorem védaná živá školení v Prague (online nebo na místě) je určena inženýrům, kteří se chtějí rozhodnout o přístupech a nástrojích dostupných dnes tak, aby inteligentně zvolili směr při uvedení MLOps do využití ve své organizaci.

Na konci tohoto školení budou účastníci schopni:

• Instalovat a nakonfigurovat různé MLOps rámce a nástroje.
• Sestavit správný tým s příslušnými dovednostmi pro vytváření a podporu systému MLOps.
• Připravovat, ověřovat a verze dat pro použití modelem ML.
• Chápat součásti ML Pipeline a nástroje potřebné k jejímu vytvoření.
• Testovat různé rámce strojového učení a servery pro nasazení do produkce.
• Uspořádat celý proces strojového učení tak, aby byl reproducibilní a údržbatelný.