Bize Ulaşın

Eğitim İçeriği

Yayın için Makine Öğrenimi Modellerinin Hazırlanması

  • Modellerin Docker ile paketlenmesi
  • Modellerin TensorFlow ve PyTorch'tan dışa aktarılması
  • Sürümleme ve depolama hususları

Kubernetes Üzerinde Model Sunumu

  • Çıkarım sunucularına genel bakış
  • TensorFlow Serving ve TorchServe'in dağıtımı
  • Model uç noktalarının kurulması

Çıkarım Optimizasyon Teknikleri

  • Toplu işlem stratejileri
  • Eşzamanlı istek yönetimi
  • Gecikme ve istek kapasitesi ince ayarı

ML Yüklerinin Otoölçeklenmesi

  • Yatay Pod Otoölçekleyici (HPA)
  • Dikey Pod Otoölçekleyici (VPA)
  • Kubernetes Etkinlik Özgürlüklü Otoölçekleme (KEDA)

GPU Tahsisi ve Kaynak Yönetimi

  • GPU düğümlerinin yapılandırılması
  • NVIDIA cihaz eklentisinin genel bakışı
  • ML yükleri için kaynak istekleri ve sınırları

Model Yayın ve Sürüm Stratejileri

  • Mavi/yeşil dağıtımlar
  • Kanarya yayın desenleri
  • Model değerlendirmesi için A/B testi

Üretimde ML için İzleme ve Gözlemlenebilirlik

  • Çıkarım yükleri için metrikler
  • Günlükleme ve izleme uygulamaları
  • Gösterge tabloları ve uyarılandırma

Güvenlik ve Güvenilirlik Hususları

  • Model uç noktalarının güvenliğinin sağlanması
  • Ağ politikaları ve erişim denetimi
  • Yüksek erişilebilirliğin sağlanması

Özet ve Sonraki Adımlar

Kurs İçin Gerekli Önbilgiler

  • Konteynerize edilmiş uygulama iş akışlarına dair anlayış
  • Python tabanlı makine öğrenimi modelleri deneyimi
  • Kubernetes temellerine aşinalık

Katılımcı Profili

  • ML mühendisleri
  • DevOps mühendisleri
  • Platform mühendisliği ekipleri
 14 Saatler

Katılımcı Sayısı


Katılımcı başına fiyat

Danışanlarımızın Yorumları (3)

Yaklaşan Etkinlikler

İlgili Kategoriler