Kurzusleírás

Bevezetés az AI bevezetésébe

  • Az AI bevezetési életciklusának áttekintése
  • Kihívások a mesterséges intelligencia-ügynökök termelésben történő bevezetésével kapcsolatban
  • Főbb szempontok: skálázhatóság, megbízhatóság és karbantarthatóság

Konténerezés és hangszerelés

  • Bevezetés a Docker-be és a konténerezés alapjaiba
  • A Kubernetes használata az AI-ügynökök hangszereléséhez
  • A konténeres AI-alkalmazások kezelésének legjobb gyakorlatai

AI modellek kiszolgálása

  • A modellkiszolgáló keretrendszerek áttekintése (pl. TensorFlow Kiszolgálás, TorchKiszolgálás)
  • REST API-k készítése az AI-ügynökök következtetéséhez
  • Kötegelt és valós idejű előrejelzések kezelése

CI/CD ehhez: AI Agents

  • CI/CD folyamatok beállítása mesterséges intelligencia telepítéséhez
  • AI modellek tesztelésének és validálásának automatizálása
  • Folyamatos frissítések és verziókezelés kezelése

Monitoring és optimalizálás

  • Monitoring eszközök bevezetése az AI-ügynök teljesítményéhez
  • Modellsodródás és átképzési igények elemzése
  • Az erőforrás-kihasználás és a méretezhetőség optimalizálása

Biztonság és Governance

  • Az adatvédelmi előírások betartásának biztosítása
  • Az AI-telepítési folyamatok és API-k biztonsága
  • AI alkalmazások auditálása és naplózása

Hands-On Activities

  • AI-ügynök konténerbe helyezése Docker
  • AI ügynök telepítése a Kubernetes használatával
  • Az AI teljesítményének és erőforrás-felhasználásának megfigyelésének beállítása

Összegzés és a következő lépések

Követelmények

  • Programozásban Python jártasság
  • A gépi tanulási munkafolyamatok megértése
  • A konténerezési eszközök ismerete, például Docker
  • DevOps gyakorlatban szerzett tapasztalat (ajánlott)

Közönség

  • MLOps mérnökök
  • DevOps szakemberek
 14 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák