Struttura del corso

Introduzione alla Deploy di AI

  • Panoramica del ciclo di vita della deploy di AI
  • Sfide nella deploy degli agenti AI in produzione
  • Considerazioni chiave: scalabilità, affidabilità e mantenibilità

Containerizzazione e Orchestrazione

  • Introduzione a Docker ed i principi di containerizzazione
  • Utilizzo di Kubernetes per l'orchestrazione degli agenti AI
  • Best practice per la gestione delle applicazioni AI containerizzate

Servizio Modelli AI

  • Panoramica dei framework di servizio modelli (ad esempio, TensorFlow Serving, TorchServe)
  • Costruzione di REST APIs per l'inferenza degli agenti AI
  • Gestione delle previsioni batch vs in tempo reale

CI/CD per Agenti AI

  • Configurazione di pipeline CI/CD per le deploy di AI
  • Automatizzazione del testing e della validazione dei modelli AI
  • Aggiornamenti rolling e gestione del controllo delle versioni

Monitoraggio e Ottimizzazione

  • Implementazione di strumenti di monitoraggio per le prestazioni degli agenti AI
  • Analisi dello spostamento del modello e delle necessità di retraining
  • Ottimizzazione dell'utilizzo delle risorse e della scalabilità

Sicurezza e Governance

  • Garanzia del conformità con le normative sulla privacy dei dati
  • Sicurezza delle pipeline di deploy AI e degli API
  • Auditing e logging per le applicazioni AI

Attività Pratiche

  • Containerizzazione di un agente AI con Docker
  • Deploy di un agente AI utilizzando Kubernetes
  • Configurazione del monitoraggio per le prestazioni e l'uso delle risorse dell'AI

Riepilogo e Passaggi Successivi

Requisiti

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

Pubblico

  • Ingegneri MLOps
  • Professionisti DevOps
 14 ore

Numero di Partecipanti


Prezzo per Partecipante

Recensioni (1)

Corsi in Arrivo

Categorie relative