Corso di formazione MLOps su Kubernetes: Pipeline CI/CD per l'apprendimento automatico

Questa formazione dal vivo condotta da un istruttore in Italia (online o in loco) è rivolta a ingegneri di intelligenza artificiale e data scientist di livello avanzato con esperienza da intermedia ad avanzata che desiderano migliorare le prestazioni del modello DeepSeek, ridurre al minimo la latenza e distribuire soluzioni di intelligenza artificiale in modo efficiente utilizzando pratiche moderne MLOps.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Ottimizzare i modelli DeepSeek per efficienza, accuratezza e scalabilità.
• Implementare le best practice per MLOps e il controllo delle versioni del modello.
• Distribuisci modelli DeepSeek su infrastrutture cloud e on-premise.
• Monitorare, gestire e ampliare in modo efficace le soluzioni di intelligenza artificiale.

DO180 è un'introduzione ai contenitori, alle fondamenta di Kubernetes e ai concetti della piattaforma Red Hat OpenShift, focalizzata sulle competenze pratiche.

Questa formazione guidata da istruttori (online o in sede) è rivolta a professionisti tecnici di livello principiante-intermedio che desiderano imparare i flussi di lavoro dei contenitori, le primitive di Kubernetes e come distribuire ed operare applicazioni su OpenShift.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Creare e gestire immagini di contenitore e registri con le best practice per la riproducibilità e la sicurezza.
• Distribuire e gestire oggetti Kubernetes come pod, deployment e servizi su OpenShift.
• Utilizzare le funzionalità di OpenShift, incluse routes, buildconfigs e la console web, per semplificare il delivery delle applicazioni.
• Implementare archiviazione persistente, gestione della configurazione e gestione dei segreti per carichi di lavoro stateful.
• Applicare pratiche di sicurezza di base, RBAC e monitoring per mantenere cluster e applicazioni sani.

Formato del Corso

• Lezione interattiva e discussione.
• Esercitazioni pratiche in un ambiente OpenShift live ogni giorno.
• Esercizi guidati da scenari e workshop di risoluzione dei problemi.

Opzioni di Personalizzazione del Corso

• Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare l'evento.

Questo corso di formazione guidato da un insegnante in Italia (online o in presenza) è rivolto a ingegneri che desiderano utilizzare Helm per semplificare il processo di installazione e gestione delle applicazioni Kubernetes.

Al termine di questo corso, i partecipanti saranno in grado di:

• Installare e configurare Helm.
• Creare build riproducibili di applicazioni Kubernetes.
• Condividere le applicazioni come chart Helm.
• Eseguire applicazioni di terze parti salvate come chart Helm.
• Gestire i rilasci dei pacchetti Helm.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori e data scientist che desiderano creare, distribuire e gestire flussi di lavoro di apprendimento automatico su Kubernetes.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Installa e configura Kubeflow on-premise e nel cloud utilizzando AWS EKS (Elastic Kubernetes Service).
• Crea, distribuisci e gestisci flussi di lavoro ML basati su Docker container e Kubernetes.
• Esegui intere pipeline di machine learning su architetture e ambienti cloud diversi.
• Utilizzo di Kubeflow per generare e gestire i notebook Jupyter.
• Crea formazione ML, ottimizzazione degli iperparametri e gestione dei carichi di lavoro su più piattaforme.

Questo training guidato dal formatore (online o in sede) è rivolto a ingegneri che desiderano distribuire carichi di lavoro di Machine Learning su un server AWS EC2.

Al termine di questo training, i partecipanti saranno in grado di:

• Installare e configurare Kubernetes, Kubeflow e altri software necessari su AWS.
• Utilizzare EKS (Elastic Kubernetes Service) per semplificare l'inizializzazione di un cluster Kubernetes su AWS.
• Creare e distribuire una pipeline Kubernetes per automatizzare e gestire i modelli ML in produzione.
• Formare e distribuire modelli ML TensorFlow su più GPU e macchine che eseguono in parallelo.
• Sfruttare altri servizi AWS gestiti per estendere un'applicazione ML.

Questo training guidato dal formatore (online o in loco) è rivolto agli ingegneri che desiderano distribuire carichi di lavoro di Machine Learning sul cloud Azure.

Alla fine di questo training, i partecipanti saranno in grado di:

• Installare e configurare Kubernetes, Kubeflow e altri software necessari su Azure.
• Utilizzare il servizio Azure Kubernetes Service (AKS) per semplificare l'inizializzazione di un cluster Kubernetes su Azure.
• Creare e distribuire una pipeline Kubernetes per automatizzare e gestire i modelli ML in produzione.
• Allenare e distribuire modelli ML TensorFlow su più GPU e macchine che operano in parallelo.
• Leveraggiare altri servizi gestiti di AWS per estendere un'applicazione ML.

Kubeflow è una piattaforma open source progettata per semplificare la creazione, il training e il deployment di carichi di lavoro di machine learning su Kubernetes.

Questo corso di formazione guidato dall'instruttore (online o in sede) è rivolto a professionisti di livello principiante-intermedio che desiderano costruire workflow ML affidabili utilizzando Kubeflow.

Al termine di questo corso, i partecipanti acquisiranno le competenze per:

• Navigare nell'ecosistema Kubeflow e nelle componenti principali.
• Costruire workflow riproducibili con Kubeflow Pipelines.
• Eseguire job di training scalabili su Kubernetes.
• Distribuire modelli di machine learning in modo efficiente utilizzando Kubeflow Serving.

Formato del Corso

• Presentazioni guidate e discussioni collaborative.
• Laboratori pratici con componenti Kubeflow reali.
• Esercizi pratici per costruire workflow ML end-to-end.

Opzioni di Personalizzazione del Corso

• Versioni personalizzate di questo corso possono essere organizzate per allinearsi con la stack tecnologica e i requisiti progettuali del vostro team.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori e data scientist che desiderano creare, distribuire e gestire flussi di lavoro di apprendimento automatico su Kubernetes.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Installa e configura Kubeflow on-premise e nel cloud.
• Crea, distribuisci e gestisci flussi di lavoro ML basati su Docker container e Kubernetes.
• Esegui intere pipeline di machine learning su architetture e ambienti cloud diversi.
• Utilizzo di Kubeflow per generare e gestire i notebook Jupyter.
• Crea formazione ML, ottimizzazione degli iperparametri e gestione dei carichi di lavoro su più piattaforme.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori di software di livello principiante e intermedio e a professionisti DevOps che desiderano imparare a configurare e gestire un ambiente locale Kubernetes utilizzando Minikube.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Installare e configurare Minikube nel computer locale.
• Comprendere i concetti di base e l'architettura di Kubernetes.
• Distribuisci e gestisci i contenitori usando kubectl e il dashboard Minikube.
• Configurare l'archiviazione persistente e le soluzioni di rete per Kubernetes.
• Utilizza Minikube per lo sviluppo, il test e il debug delle applicazioni.

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori di livello intermedio e DevOps ingegneri che desiderano utilizzare Minikube come parte del loro flusso di lavoro di sviluppo.

Al termine di questa formazione, i partecipanti saranno in grado di:

• Configurare e gestire un ambiente locale Kubernetes utilizzando Minikube.
• Informazioni su come distribuire, gestire ed eseguire il debug delle applicazioni in Minikube.
• Integra Minikube nelle pipeline di integrazione e distribuzione continue.
• Ottimizza il loro processo di sviluppo utilizzando le funzionalità avanzate di Minikube.
• Applicare le migliori pratiche per lo sviluppo locale Kubernetes.

Questo corso di formazione dal vivo con istruttore (online o in loco) è rivolto ai data scientist che desiderano andare oltre la creazione di modelli ML e ottimizzare il processo di creazione, monitoraggio e distribuzione del modello ML.

Al termine di questo corso di formazione, i partecipanti saranno in grado di:

• Installare e configurare MLflow e le librerie e i framework ML correlati.
• Apprezzare l'importanza della tracciabilità, della riproducibilità e della distribuibilità di un modello ML
• Distribuisci i modelli ML su diversi cloud pubblici, piattaforme o server on-premise.
• Ridimensiona il processo di distribuzione ML per supportare più utenti che collaborano a un progetto.
• Configura un registro centrale per sperimentare, riprodurre e distribuire modelli di ML.

Questo training guidato da un istruttore in Italia (online o sul posto) è rivolto agli ingegneri che desiderano valutare gli approcci e gli strumenti disponibili oggi per prendere una decisione informata sulla strada da intraprendere nell'adozione di MLOps all'interno della loro organizzazione.

Alla fine di questo training, i partecipanti saranno in grado di:

• Installare e configurare vari framework e strumenti MLOps.
• Comporre il tipo giusto di team con le competenze necessarie per costruire e supportare un sistema MLOps.
• Preparare, validare e versionare i dati per l'uso da parte dei modelli ML.
• Comprendere i componenti di una Pipeline ML e gli strumenti necessari per costruirne una.
• Sperimentare con diverse piattaforme di apprendimento automatico e server per il deployment in produzione.
• Operationalizzare l'intero processo di Apprendimento Automatico in modo che sia riproducibile e mantenibile.

Questo corso di formazione guidato dal docente (online o in sede) è rivolto agli ingegneri del machine learning che desiderano utilizzare Azure Machine Learning e Azure DevOps per facilitare le pratiche MLOps.

Alla fine di questo corso, i partecipanti saranno in grado di:

• Costruire flussi di lavoro e modelli di machine learning riproducibili.
• Gestire il ciclo di vita del machine learning.
• Tracciare e riportare la cronologia delle versioni dei modelli, gli asset e altro ancora.
• Distribuire modelli di machine learning pronti per la produzione ovunque.