Corso di formazione MLOps su Kubernetes: pipeline CI/CD per il Machine Learning

Al termine del corso i partecipanti saranno in grado di:

• Creare le proprie immagini Docker.
• Distribuire e gestire numerose applicazioni Docker.
• Valutare diverse soluzioni per l’orchestrazione dei container scegliendo quella più adatta.
• Configurare un processo di integrazione continua per le applicazioni Docker.
• Integrare le applicazioni Docker nei flussi esistenti di integrazione strumentale continuativa.
• Migliorare la sicurezza delle proprie applicazioni Docker.
• Sfruttare Kubernetes per distribuire e gestire diversi ambienti all’interno dello stesso cluster.
• Garantire la sicurezza, scalabilità e monitoraggio di un cluster Kubernetes.

Questo corso pratico guidato da istruttori in Italia (online o in sede) si rivolge a ingegneri AI e data scientist di livello avanzato, dotati di competenze intermedie o superiori, desiderosi di migliorare le prestazioni dei modelli DeepSeek, ridurre al minimo la latenza e distribuire soluzioni AI in modo efficiente seguendo moderne pratiche MLOps.

Al termine del corso i partecipanti saranno in grado di:

• Ottimizzare i modelli DeepSeek per garantirne efficienza, precisione e scalabilità.
• Applicare le migliori pratiche relative a MLOps e alla gestione delle versioni dei modelli.
• Distribuire i modelli DeepSeek sia su infrastrutture cloud che on-premise.
• Monitorare, mantenere e scalare in modo efficace le soluzioni basate sull’IA.

Questo corso formativo con docente, svolto in presenza o online Italia, è indirizzato a ingegneri di piattaforma e professionisti DevOps di livello avanzato che desiderano acquisire competenze nella scalabilità delle applicazioni tramite microservizi e Kubernetes.

Al termine del corso i partecipanti saranno in grado di:

• Progettare e implementare architetture a microservizi scalabili.
• Distribuire e gestire applicazioni all’interno di cluster Kubernetes.
• Sfruttare i diagrammi Helm per una distribuzione efficiente dei servizi.
• Monitorare e mantenere in salute i microservizi in ambiente di produzione.
• Applicare le migliori pratiche in materia di sicurezza e conformità nell’ambiente Kubernetes.

Questa formazione live, condotta da un istruttore in Italia (online o in sede), è rivolta ai professionisti di Kubernetes che desiderano prepararsi all'esame CKS.

Alla fine di questa formazione, i partecipanti sapranno come proteggere gli ambienti Kubernetes e le applicazioni basate su container in tutte le diverse fasi del ciclo di vita di un'applicazione: build, deployment e runtime.

Questo corso formativo, condotto da istruttori e svoltosi in diretta Italia (online o in aula), è pensato per gli ingegneri che vogliono servirsi di Helm al fine di semplificare l’installazione e la gestione delle applicazioni Kubernetes.

Alla conclusione del corso, i partecipanti saranno in grado di:

• Installare e configurare Helm.
• Creare versioni riproducibili delle applicazioni Kubernetes.
• Condividere le applicazioni sotto forma di chart Helm.
• Eseguire applicazioni di terze parti distribuite come chart Helm.
• Gestire i rilasci dei pacchetti Helm.

Questa formazione guidata dal docente, erogata in modalità live in Italia (online o in sede), è destinata a sviluppatori e data scientist che desiderano creare, distribuire e gestire flussi di lavoro di machine learning su Kubernetes.

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

• Installare e configurare Kubeflow in ambienti on-premise e nel cloud.
• Creare, distribuire e gestire flussi di lavoro ML basati su container Docker e Kubernetes.
• Eseguire interi pipeline di machine learning su architetture e ambienti cloud eterogenei.
• Utilizzare Kubeflow per generare e gestire notebook Jupyter.
• Sviluppare carichi di lavoro per addestramento ML, tuning degli iperparametri e serving su piattaforme multiple.

Questo corso formativo, tenuto da istruttori Italia (online o in presenza), si rivolge a sviluppatori software e professionisti DevOps di livello principiante ed intermedio che desiderano imparare a creare e gestire un ambiente Kubernetes locale utilizzando Minikube.

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

• Installare e configurare Minikube sul proprio computer.
• Comprendere i concetti fondamentali e l’architettura di Kubernetes.
• Distribuire e gestire container tramite kubectl e la dashboard di Minikube.
• Configurare soluzioni di archiviazione persistente e di rete per Kubernetes.
• Sfruttare Minikube per lo sviluppo, i test e il debug delle applicazioni.

Questo corso di formazione dal vivo, tenuto da un istruttore Italia (online o in presenza), si rivolge a sviluppatori e ingegneri DevOps di livello intermedio che desiderano integrare Minikube nel proprio flusso di lavoro di sviluppo.

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

• Configurare e gestire un ambiente Kubernetes locale tramite Minikube.
• Capire come distribuire, gestire e eseguire il debug delle applicazioni su Minikube.
• Integrare Minikube nei propri processi di integrazione continua e distribuzione automatica.
• Ottimizzare il proprio processo di sviluppo sfruttando le funzionalità avanzate di Minikube.
• Applicare le migliori pratiche nello sviluppo di applicazioni su Kubernetes in ambiente locale.

Questo corso formativo, tenuto da istruttori Italia (in modalità online o presso una sede fisica), è destinato a ingegneri che desiderano analizzare gli approcci e gli strumenti attualmente esistenti per prendere decisioni consapevoli riguardo all’adozione di MLOps nella propria organizzazione.

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

• Installare e configurare diversi framework e strumenti MLOps.
• Costituire un team con le competenze necessarie per sviluppare e mantenere un sistema MLOps.
• Preparare, validare e gestire in modo versionato i dati utilizzabili dai modelli di machine learning.
• Comprendere i componenti di una pipeline ML e gli strumenti necessari per realizzarla.
• Sperimentare diversi framework e server per il machine learning, utilizzandoli nella distribuzione in produzione.
• Rendere l’intero processo di machine learning ripetibile e facilmente mantenibile.