Kursplan

Innføring i AI-utplasserings

  • Oversikt over AI-utplasseringslivsyklusen
  • Utfordringer ved å utplassere AI-agenter i produksjon
  • Viktige overveielser: skalerbarhet, pålitelighet og vedlikehold

Containerisering og orkestrering

  • Innføring i Docker og grunnleggende prinsipper for containerisering
  • Bruke Kubernetes for AI-agent orkestrering
  • Beste praksis for å administrere containeriserte AI-applikasjoner

Servering av AI-modeller

  • Oversikt over modellservingsrammeverk (f.eks. TensorFlow Serving, TorchServe)
  • Opprette REST API-er for AI-agent inferens
  • Håndtering av batch vs. sanntidsforutsigelser

CI/CD for AI-agenter

  • Opprette CI/CD-rørledninger for AI-utplasseringer
  • Automatisering av testing og validering av AI-modeller
  • Rullende oppdateringer og håndtering av versjonskontroll

Overvåking og optimalisering

  • Implementering av overvåking av verktøy for AI-agent ytelse
  • Analysering av modelldrift og behov for omtrening
  • Optimalisering av ressursbruk og skalerbarhet

Sikkerhet og styring

  • Sikring av overholdelse av personvernsregler
  • Sikring av AI-utplasseringsrørledninger og API-er
  • Revisjon og logging for AI-applikasjoner

Hånd-på-aktiviteter

  • Containerisering av en AI-agent med Docker
  • Utplassering av en AI-agent ved bruk av Kubernetes
  • Opprette overvåking av AI-ytelse og ressursbruk

Oppsummering og neste trinn

Krav

  • Dyktighet i Python-programmering
  • Forståelse av maskinlæringsarbeidsflyter
  • Kjennskap med kontainériseringsverktøy som Docker
  • Erfaring med DevOps-praksis (anbefalt)

Målgruppe

  • MLOps-ingeniører
  • DevOps-profesjonelle
 14 timer

Antall deltakere


Price per participant

Testimonials (1)

Upcoming Courses

Related Categories