Course Outline

Εισαγωγή στην ανάπτυξη AI

  • Επισκόπηση του κύκλου ζωής ανάπτυξης AI
  • Προκλήσεις στην ανάπτυξη πρακτόρων AI στην παραγωγή
  • Βασικά ζητήματα: επεκτασιμότητα, αξιοπιστία και δυνατότητα συντήρησης

Containerization και ενορχήστρωση

  • Εισαγωγή στο Docker και τα βασικά στοιχεία του containerization
  • Χρήση του Kubernetes για ενορχήστρωση πράκτορα AI
  • Βέλτιστες πρακτικές για τη διαχείριση εφαρμογών τεχνητής νοημοσύνης με εμπορευματοκιβώτια

Εξυπηρέτηση μοντέλων AI

  • Επισκόπηση πλαισίων εξυπηρέτησης μοντέλων (π.χ., TensorFlow Εξυπηρέτηση, TorchΕξυπηρέτηση)
  • Δημιουργία API REST για συμπέρασμα παράγοντα AI
  • Χειρισμός παρτίδας έναντι προβλέψεων σε πραγματικό χρόνο

CI/CD για AI Agents

  • Ρύθμιση αγωγών CI/CD για αναπτύξεις AI
  • Αυτοματοποίηση δοκιμών και επικύρωσης μοντέλων AI
  • Κυλιόμενες ενημερώσεις και διαχείριση ελέγχου έκδοσης

Παρακολούθηση και Βελτιστοποίηση

  • Εφαρμογή εργαλείων παρακολούθησης για την απόδοση του πράκτορα AI
  • Ανάλυση μοντέλων μετατόπισης και αναγκών επανεκπαίδευσης
  • Βελτιστοποίηση της χρήσης πόρων και της επεκτασιμότητας

Ασφάλεια και Goδιακυβέρνηση

  • Διασφάλιση της συμμόρφωσης με τους κανονισμούς περί απορρήτου δεδομένων
  • Διασφάλιση αγωγών ανάπτυξης AI και API
  • Έλεγχος και καταγραφή για εφαρμογές τεχνητής νοημοσύνης

Hands-On Activities

  • Εμπορευματοποίηση πράκτορα AI με Docker
  • Ανάπτυξη ενός πράκτορα AI χρησιμοποιώντας Kubernetes
  • Ρύθμιση παρακολούθησης για την απόδοση της τεχνητής νοημοσύνης και τη χρήση πόρων

Περίληψη και Επόμενα Βήματα

Requirements

  • Ικανότητα στον προγραμματισμό Python
  • Κατανόηση των ροών εργασιών μηχανικής μάθησης
  • Εξοικείωση με εργαλεία μεταφοράς εμπορευματοκιβωτίων όπως Docker
  • Εμπειρία με DevOps πρακτικές (συνιστάται)

Ακροατήριο

  • MLOps μηχανικοί
  • DevOps επαγγελματίες
 14 Hours

Number of participants


Price per participant

Upcoming Courses

Related Categories