Struttura del corso

Introduzione ai Flussi di Lavoro CI/CD per AI

  • Sfide uniche dei pipeline di distribuzione dei modelli AI
  • Confronto tra processi tradizionali DevOps e MLOps
  • Componenti principali della distribuzione automatizzata dei modelli

Containerizzazione di Modelli AI con Docker

  • Progettazione di Dockerfile efficienti per l'inferenza ML
  • Gestione delle dipendenze e degli artefatti del modello
  • Costruzione di immagini sicure e ottimizzate

Configurazione delle Pipeline CI/CD

  • Opzioni di strumenti CI/CD e i loro ecosistemi
  • Costruzione di pipeline per la confezionatura automatizzata dei modelli
  • Validazione delle pipeline con controlli automatizzati

Test dei Modelli AI in CI

  • Automatizzazione dei controlli di integrità dei dati
  • Test unitari e di integrazione per i servizi del modello
  • Validazione delle prestazioni e della regressione

Distribuzione Automatizzata di Servizi AI basati su Docker

  • Distrubuzione di container AI in ambienti cloud
  • Implementazione di rollout blue-green e canary
  • Strategie di rollback per distribuzioni fallite

Gestione delle Versioni e degli Artefatti dei Modelli

  • Utilizzo di registri per il controllo delle versioni dei modelli e dei container
  • Tagging, firma e promozione delle immagini
  • Coordinamento degli aggiornamenti del modello tra i servizi

Monitoraggio e Osservabilità in CI/CD per AI

  • Tracciamento delle prestazioni della pipeline e del modello
  • Allerting per costruzioni fallite o drift del modello
  • Tracciamento del comportamento di inferenza tra gli ambienti

Scalabilità delle Pipeline CI/CD per Sistemi AI

  • Parallelizzazione delle costruzioni per modelli grandi
  • Ottimizzazione di risorse di calcolo e archiviazione
  • Integrazione di runner distribuiti e remoti

Riepilogo e Passaggi Successivi

Requisiti

  • Comprensione dei cicli di vita dei modelli di machine learning
  • Esperienza con la containerizzazione Docker
  • Familiarità con i concetti e le pipeline CI/CD

Pubblico di Riferimento

  • Ingegneri DevOps
  • Team MLOps
  • Ingegneri AI-ops
 21 ore

Numero di Partecipanti


Prezzo per partecipante

Corsi in Arrivo

Categorie relative