Course Outline

Εισαγωγή στην ανάπτυξη παραγωγής

  • Βασικές προκλήσεις στην ανάπτυξη βελτιστοποιημένων μοντέλων
  • Διαφορές μεταξύ περιβάλλοντος ανάπτυξης και παραγωγής
  • Εργαλεία και πλατφόρμες για την ανάπτυξη μοντέλων

Προετοιμασία μοντέλων για ανάπτυξη

  • Εξαγωγή μοντέλων σε τυπικές μορφές (ONNX, TensorFlow SavedModel, κ.λπ.)
  • Βελτιστοποίηση μοντέλων για καθυστέρηση και απόδοση
  • Δοκιμή μοντέλων σε περιβλήματα ακμών και δεδομένα πραγματικού κόσμου

Containerization για ανάπτυξη μοντέλου

  • Εισαγωγή στο Docker
  • Δημιουργία Docker εικόνων για μοντέλα ML
  • Βέλτιστες πρακτικές για την ασφάλεια και την αποτελεσματικότητα των εμπορευματοκιβωτίων

Κλιμάκωση αναπτύξεων με Kubernetes

  • Εισαγωγή στο Kubernetes για φόρτους εργασίας AI
  • Ρύθμιση συμπλεγμάτων Kubernetes για φιλοξενία μοντέλων
  • Εξισορρόπηση φορτίου και οριζόντια κλιμάκωση

Παρακολούθηση και Συντήρηση Μοντέλου

  • Εφαρμογή παρακολούθησης με Prometheus και Grafana
  • Αυτοματοποιημένη καταγραφή για παρακολούθηση σφαλμάτων και απόδοση
  • Σωληνώσεις επανεκπαίδευσης για μετατόπιση μοντέλων και ενημερώσεις

Διασφάλιση ασφάλειας στην παραγωγή

  • Ασφάλιση API για συμπέρασμα μοντέλων
  • Μηχανισμοί ελέγχου ταυτότητας και εξουσιοδότησης
  • Αντιμετώπιση προβλημάτων απορρήτου δεδομένων

Case Studies και Hands-On Labs

  • Ανάπτυξη ενός μοντέλου ανάλυσης συναισθήματος
  • Κλιμάκωση υπηρεσίας αυτόματης μετάφρασης
  • Εφαρμογή παρακολούθησης για μοντέλα ταξινόμησης εικόνων

Περίληψη και Επόμενα Βήματα

Requirements

  • Ισχυρή κατανόηση των ροών εργασιών μηχανικής μάθησης
  • Εμπειρία με τη βελτίωση των μοντέλων ML
  • Εξοικείωση με τις αρχές DevOps ή MLOps

Ακροατήριο

  • DevOps μηχανικοί
  • MLOps ασκούμενοι
  • Ειδικοί ανάπτυξης AI
 21 Hours

Number of participants


Price per participant

Testimonials (1)

Upcoming Courses

Related Categories