Kontaktirajte nas
 Trajanje 14 sati

Sadržaj kursa

Osnove MLOps-a na Kubernetesu

  • Ključne koncepte MLOps-a
  • MLOps u odnosu na tradicionalni DevOps
  • Ključni izazovi upravljanja životnim ciklusom ML-a

Kontejnerizacija ML radnih opterećenja

  • Pakovanje modela i koda za obuku
  • Optimizacija kontejnerizovanih slika za ML
  • Upravljanje zavisnostima i reproducibilnošću

CI/CD za mašinsko učenje

  • Strukturiranje ML repozitorijuma za automatizaciju
  • Integracija koraka testiranja i validacije
  • Pokretanje cevova za ponovnu obuku i ažuriranja

GitOps za implementaciju modela

  • Principi i tokovi rada GitOps-a
  • Korišćenje Argo CD-a za implementaciju modela
  • Verzionisanje modela i konfiguracija

Orkestracija cevova na Kubernetesu

  • Izgradnja cevova pomoću Tektona
  • Upravljanje višestepenim ML radnim tokovima
  • Planiranje i upravljanje resursima

Praćenje, beleženje i strategije povlačenja promena

  • Praćenje promena podataka (data drift) i performansi modela
  • Integracija upozoravanja i posmatrnosti (observability)
  • Pristupi povlačenju promena i prebacivanju na rezervni sistem (failover)

Automatizovana ponovna obuka i kontinuirano poboljšanje

  • Dizajniranje povratnih petlji (feedback loops)
  • Automatizacija planirane ponovne obuke
  • Integracija MLflow za praćenje i upravljanje eksperimentima

Napredne MLOps arhitekture

  • Modeli implementacije na više klastera i hibridnom cloud-u
  • Skaliranje timova sa zajedničkom infrastrukturom
  • Razmatranja bezbednosti i usaglašavanja (compliance)

Zaključak i sledeći koraci

Uslovi

  • Razumevanje osnova Kubernetesa
  • Ispitivanje sa mašinskim učenjem radnih tokova
  • Znanje razvoja na osnovu Git-a

Publika

  • ML inženjeri
  • DevOps inženjeri
  • ML platforme timovi

Broj učesnika


Cena po učesniku

Iskustva korisnika (3)

Predstojeći kursevi

Povezane kategorije