Kursplan

Introduksjon til CI/CD for AI-arbeidsflyter

  • Unike utfordringer i AI modellleveringspipeliner
  • Sammenligning av tradisjonelle DevOps og MLOps-prosesser
  • Kjernekomponenter i automatiserte modellutsettelser

Containerisering av AI-modeller med Docker

  • Designing effektive Dockerfiler for ML-inferens
  • Styring av avhengigheter og modellartefakter
  • Bygging av sikre og optimaliserte bilder

Oppsett av CI/CD-pipeliner

  • CI/CD-verktøyvalg og deres økosystemer
  • Bygging av pipeliner for automatisert modellpakking
  • Validering av pipeliner med automatiserte sjekker

Testing av AI-modeller i CI

  • Automatisering av dataintegritetssjekker
  • Enhetstester og integrasjonstester for modelltjenester
  • Prestasjons- og regressionsvalidering

Automatisert utsetting av Docker-baserte AI-tjenester

  • Utsetter av AI-containere til sky-miljøer
  • Implementering av blå-grønne og canary-utsettelser
  • Rullbakestrategier for feilede utsettelser

Administrering av modellversjoner og artefakter

  • Bruk av register for modell- og container-versjonskontroll
  • Tagging, signering og fremme av bilder
  • Koordinering av modelloppdateringer over tjenester

Overvåking og observabilitet i CI/CD for AI

  • Sporing av pipeline- og modellprestasjoner
  • Alarm for feilede bygg eller modellavvikling
  • Sporing av inferensoppførsel over miljøer

Skalering av CI/CD-pipeliner for AI-systemer

  • Parallelisering av bygg for store modeller
  • Optimalisering av beregnings- og lagringsressurser
  • Integrering av distribuerte og fjern-kjørende kjørere

Oppsummering og neste trinn

Krav

  • Forståelse av maskinlæringsmodellliveringsprosesser
  • Erfaring med Docker-containere
  • Kjennskap til CI/CD-konsepter og pipeliner

Målgruppe

  • DevOps-ingeniører
  • MLOps-teams
  • AI-ops-ingeniører
 21 timer

Antall deltakere


Pris per deltaker

Kommende kurs

Relaterte kategorier