Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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