Contattataci

Struttura del corso

Introduzione alle Operazioni Kubernetes Potenziate con AI

  • Perché l'AI è importante per le moderne operazioni di cluster
  • Limiti della logica tradizionale di scaling e scheduling
  • Concetti chiave del ML per la gestione delle risorse

Fondamenti della Gestione delle Risorse Kubernetes

  • Fondamenti dell'allocazione di CPU, GPU e memoria
  • Comprendere quote, limiti e richieste (requests)
  • Identificare colli di bottiglia e inefficienze

Approcci di Machine Learning per lo Scheduling

  • Modelli supervisionati e non supervisionati per il posizionamento dei carichi di lavoro
  • Algoritmi predittivi per la domanda di risorse
  • Utilizzo di funzionalità ML nei scheduler personalizzati

Reinforcement Learning per l'Autoscaling Intelligente

  • Come gli agenti RL imparano dal comportamento del cluster
  • Progettazione di funzioni di ricompensa per l'efficienza
  • Costruzione di strategie di autoscaling guidate da RL

Autoscaling Predittivo con Metriche e Telemetria

  • Utilizzo dei dati Prometheus per le previsioni
  • Applicazione di modelli di serie temporali all'autoscaling
  • Valutazione della precisione delle previsioni e tuning dei modelli

Implementazione di Strumenti di Ottimizzazione Basati su AI

  • Integrazione di framework ML con controller Kubernetes
  • Deployment di loop di controllo intelligenti
  • Estensione di KEDA per il processo decisionale assistito da AI

Strategie di Ottimizzazione di Costi e Prestazioni

  • Riduzione dei costi di calcolo attraverso lo scaling predittivo
  • Miglioramento dell'utilizzo delle GPU con il posizionamento guidato dal ML
  • Bilanciamento tra latenza, throughput ed efficienza

Scenari Pratici e Casi d'Uso Reali

  • Autoscaling di applicazioni ad alto carico con l'AI
  • Ottimizzazione di pool di nodi eterogenei
  • Applicazione del ML in ambienti multi-tenant

Riepilogo e Prossimi Passi

Requisiti

  • Una conoscenza delle fondamenta di Kubernetes
  • Esperienza con il deployment di applicazioni containerizzate
  • Familiarità con le operazioni sui cluster e la gestione delle risorse

Pubblico di riferimento

  • SRE che lavorano con sistemi distribuiti su larga scala
  • Operatori Kubernetes che gestiscono carichi di lavoro ad alta domanda
  • Ingegneri di piattaforma che ottimizzano l'infrastruttura di calcolo
 21 ore

Numero di Partecipanti


Prezzo per partecipante

Recensioni (4)

Corsi in Arrivo

Categorie relative