Cursusaanbod

Inleiding tot productie-implementatie

  • Belangrijkste uitdagingen bij het implementeren van verfijnde modellen
  • Verschillen tussen ontwikkel- en productieomgevingen
  • Hulpprogramma's en platforms voor modelimplementatie

Modellen voorbereiden voor implementatie

  • Modellen exporteren in standaardformaten (ONNX, TensorFlow SavedModel, enz.)
  • Modellen optimaliseren voor latentie en doorvoer
  • Modellen testen op randgevallen en real-world gegevens

Containerisatie voor modelimplementatie

  • Inleiding tot Docker
  • Docker afbeeldingen maken voor ML-modellen
  • Best practices voor containerbeveiliging en -efficiëntie

Implementaties schalen met Kubernetes

  • Inleiding tot Kubernetes voor AI-workloads
  • Opzetten van Kubernetes clusters voor modelhosting
  • Taakverdeling en horizontaal schalen

Modelbewaking en -onderhoud

  • Uitvoeren van monitoring met Prometheus en Grafana
  • Geautomatiseerde logboekregistratie voor het opsporen van fouten en prestaties
  • Pijplijnen opnieuw trainen voor modeldrift en updates

Zorgen voor veiligheid in de productie

  • API's beveiligen voor modeldeductie
  • Authenticatie- en autorisatiemechanismen
  • Zorgen over gegevensprivacy aanpakken

Casestudy's en hands-on labs

  • Een model voor sentimentanalyse implementeren
  • Schalen van een automatische vertaalservice
  • Implementeren van monitoring voor beeldclassificatiemodellen

Samenvatting en volgende stappen

Vereisten

  • Sterk begrip van machine learning-workflows
  • Ervaring met het finetunen van ML-modellen
  • Bekendheid met DevOps of MLOps principes

Audiëntie

  • DevOps Ingenieurs
  • MLOps Beoefenaars
  • Specialisten op het gebied van AI-implementatie
 21 Uren

Aantal deelnemers


Prijs Per Deelnemer

Testimonials (1)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën