Struttura del corso

Introduzione all'implementazione dell'intelligenza artificiale

  • Panoramica del ciclo di vita della distribuzione dell'intelligenza artificiale
  • Sfide nell'implementazione di agenti di intelligenza artificiale in produzione
  • Considerazioni chiave: scalabilità, affidabilità e manutenibilità

Containerizzazione e orchestrazione

  • Introduzione a Docker e nozioni di base sulla containerizzazione
  • Utilizzo di Kubernetes per l'orchestrazione degli agenti di intelligenza artificiale
  • Best practice per la gestione delle applicazioni di intelligenza artificiale containerizzate

Servire i modelli di intelligenza artificiale

  • Panoramica dei framework di model serving (ad esempio, TensorFlow Serving, TorchServe)
  • Creazione di API REST per l'inferenza dell'agente AI
  • Gestione delle previsioni in batch e in tempo reale

CI/CD per AI Agents

  • Configurazione di pipeline CI/CD per le distribuzioni di intelligenza artificiale
  • Automazione dei test e della convalida dei modelli di intelligenza artificiale
  • Aggiornamenti in sequenza e gestione del controllo della versione

Monitoraggio e ottimizzazione

  • Implementazione di strumenti di monitoraggio per le prestazioni degli agenti di intelligenza artificiale
  • Analisi della deriva del modello e delle esigenze di ripetizione del training
  • Ottimizzazione dell'utilizzo e della scalabilità delle risorse

Sicurezza e Governanza

  • Garantire il rispetto delle normative sulla privacy dei dati
  • Protezione delle pipeline di distribuzione e delle API dell'intelligenza artificiale
  • Controllo e registrazione per le applicazioni di intelligenza artificiale

Hands-On Activities

  • Containerizzazione di un agente di intelligenza artificiale con Docker
  • Distribuzione di un agente di intelligenza artificiale utilizzando Kubernetes
  • Configurazione del monitoraggio delle prestazioni dell'intelligenza artificiale e dell'utilizzo delle risorse

Riepilogo e passaggi successivi

Requisiti

  • Competenza nella programmazione Python
  • Comprensione dei flussi di lavoro di machine learning
  • Familiarità con strumenti di containerizzazione come Docker
  • Esperienza con DevOps pratiche (consigliato)

Pubblico

  • MLOps Ingegneri
  • DevOps professionisti
 14 ore

Numero di Partecipanti


Prezzo per Partecipante

Corsi in Arrivo

Categorie relative