Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione alla distribuzione AI
- Panoramica del ciclo di vita della distribuzione AI
- Sfide nell'implementazione di agenti AI in produzione
- Considerazioni chiave: scalabilità, affidabilità e manutenibilità
Containerizzazione e orchestrazione
- Introduzione a Docker e basi della containerizzazione
- Utilizzo di Kubernetes per l'orchestrazione di agenti AI
- Migliori pratiche per la gestione di applicazioni AI containerizzate
Servizio di modelli AI
- Panoramica dei framework per il servizio di modelli (es. TensorFlow Serving, TorchServe)
- Creazione di API REST per l'inferenza degli agenti AI
- Gestione delle previsioni in batch rispetto a quelle in tempo reale
CI/CD per agenti AI
- Configurazione delle pipeline CI/CD per le distribuzioni AI
- Automazione del test e della convalida dei modelli AI
- Aggiornamenti graduale e gestione del versionamento
Monitoraggio e ottimizzazione
- Implementazione di strumenti di monitoraggio per le prestazioni degli agenti AI
- Analisi del model drift e dei bisogni di addestramento
- Ottimizzazione dell'utilizzo delle risorse e della scalabilità
Sicurezza e governance
- Garanzia della conformità alle normative sulla privacy dei dati
- Sicurezza delle pipeline di distribuzione AI e delle API
- Revisione e registrazione (logging) per le applicazioni AI
Attività pratiche
- Containerizzazione di un agente AI con Docker
- Implementazione di un agente AI utilizzando Kubernetes
- Configurazione del monitoraggio per le prestazioni AI e l'utilizzo delle risorse
Sintesi e prossimi passi
Requisiti
- Conoscenza della programmazione Python
- Comprensione dei flussi di lavoro del machine learning
- Familiarità con gli strumenti di containerizzazione come Docker
- Esperienza con le pratiche DevOps (consigliata)
Pubblico di riferimento
- Ingegneri MLOps
- Professionisti DevOps
14 ore
