Wdrażanie modeli AI

3950 PLN+23% VAT (4858 PLN brutto / 1 os.)

Czas trwania szkolenia:5 dni (40h)

Kod kursu:DEPLOY/AI

Poziom zaawansowania:
aimachine-learning

Dostępne terminy

  • Termin
  • Trener
  • Cena
  • Zapis
  • Lokalizacja

Termin:

9 wrzesień
Trwają zapisy na szkolenie

Trener:

Trener-Sages

Cena:

3950 PLN netto+23% VAT

Lokalizacja:

Zdalne
Zdalne

Interesuje Cię szkolenie stacjonarne lub nie odpowiada Ci żaden z dostępnych terminów?

Ikona pytaniaZapytaj o szkolenie

O szkoleniu Wdrażanie modeli AI

W cenie otrzymasz:

  • Materiały szkoleniowe
  • Certyfikat ukończenia szkolenia
  • W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki

Dla kogo?

  • Doświadczonych Data Scientistów oraz Programistów, którzy chcieliby rozwinąć się w procesach wdrożeniowych modeli uczenia maszynowego i AI

Wymagania

  • Szkolenie nie jest kierowane dla osób początkujących - wymagane co najmniej roczne doświadczenie programistyczne
  • Dobra znajomość języka Python
  • Podstawowa znajomość zagadnień sieciowych i protokołu HTTP
  • Podstawowa znajomość środowiska Linux
  • Podstawowa znajomość uczenia maszynowego

Zalety

  • Szkolenie "Wdrażanie modeli AI" w pełni dostosowane do problematyki wdrożenia modeli uczenia maszynowego
  • Realizowanie projektu end-to-end - od implementacji API, poprzez kontenery, na klaster Kubernetes, zautomatyzowane w CICD
  • Szkolenie "Wdrażanie modeli AI" ma charakter warsztatowy - dużo praktyki i ćwiczeń, teoria niezbędne minimum

Cele szkolenia

  • Doświadczenie całego procesu wdrożenia modeli AI
  • Poznanie najlepszych praktyk w implementacji API w FastAPI
  • Poznanie najlepszych praktyk w pracy z kontenerami z wykorzystaniem Dockera
  • Poznanie najlepszych praktyk podczas wdrązania na klastry Kubernetes
  • Zautomatyzowanie całego procesu wdrożeniowego

Program

Wprowadzenie do wdrożenia modeli uczenia maszynowego

  • Charakterystyka wdrożenia
  • Problemy z wdrożeniem modeli uczenia maszynowego
  • Różne sposoby wdrożenia modeli

API (FastAPI)

  • Implementacja API dla modeli uczenia maszynowego
  • Protokół HTTP
  • Type Annotations i jak wykorzystywane jest w FastAPI
  • Schematy Pydantic
  • Czym jest REST
  • Cache'owanie w API
  • Zapisy i odczyt z baz danych
  • Przetwarzanie asynchroniczne

Kontenery (Docker)

  • Czym jest kontener - zalety i wady
  • Budowa obrazów przy użyciu Dockerfile
  • Warstwy w Dockerze
  • Cache'owanie i przyśpieszenie budowy obrazów
  • Praca z kontenerem i jego debugowanie

Wdrożenie na produkcję (Kubernetes)

  • Czym jest Kubernetes - zalety i wady
  • Przegląd narzędzi w celach uczenia maszynowego powstałych wokół Kubernetesa
  • Podstawy architektury Kubernetesa
  • Namespaces - przestrzenie w klastrze
  • Pod - podstawowa jednostka alokacji procesów w klastrze
  • Deployment - zarządzanie liczbą replik serwisów wraz ze sposobem ich aktualizacji
  • Service - konfiguracja komunikacji oraz sposoby na udostępnienie serwisu
  • Ingress - przekierowywanie zapytań do serwisów znajdujących się na klastrze
  • Health, Readiness, Startup Probing - kontrolowanie poprawnego funkcjonowania serwisów
  • Requests, Limits - Ustalanie wymaganych zasobów na serwisach
  • HorizontalPodAutoscaler - konfiguracja automatycznego skalowania serwisów
  • Przeprowadzanie testów obciążeniowych

Automatyzacja (CICD)

  • Definiowanie pipeline'ów
  • Zrównoleglanie kroków
  • Continuous Integration - lintowanie, skanowanie, uruchamianie testów
  • Continuous Deployment - automatyczna budowa obrazów, wdrożenie na środowiska dev/prod

Podobne szkolenia