Prenez contact avec nous

Plan du cours

Introduction à l'exploitation de Kubernetes augmentée par l'IA

  • Pourquoi l'IA est essentielle pour l'exploitation moderne de clusters
  • Limites de la logique traditionnelle de mise à l'échelle et d'ordonnancement
  • Concepts clés de l'apprentissage automatique pour la gestion des ressources

Fondements de la gestion des ressources dans Kubernetes

  • Fondamentaux de l'allocation du CPU, du GPU et de la mémoire
  • Compréhension des quotas, des limites et des demandes
  • Identification des goulots d'étranglement et des inefficacités

Approches par apprentissage automatique pour l'ordonnancement

  • Modèles supervisés et non supervisés pour le placement des charges de travail
  • Algorithmes prédictifs pour la demande de ressources
  • Utilisation des caractéristiques d'apprentissage automatique dans les ordonnanceurs personnalisés

Apprentissage par renforcement pour une mise à l'échelle automatique intelligente

  • Comment les agents d'apprentissage par renforcement apprennent du comportement du cluster
  • Conception de fonctions de récompense pour l'efficacité
  • Construction de stratégies de mise à l'échelle automatique pilotées par l'apprentissage par renforcement

Mise à l'échelle automatique prédictive avec métriques et télémétrie

  • Utilisation des données Prometheus pour la prévision
  • Application de modèles de séries temporelles à la mise à l'échelle automatique
  • Évaluation de la précision des prédictions et ajustement des modèles

Mise en œuvre d'outils d'optimisation pilotés par l'IA

  • Intégration des frameworks d'apprentissage machine avec les contrôleurs Kubernetes
  • Déploiement de boucles de contrôle intelligentes
  • Extension de KEDA pour la prise de décision assistée par l'IA

Stratégies d'optimisation des coûts et des performances

  • Réduction des coûts de calcul grâce à la mise à l'échelle prédictive
  • Amélioration de l'utilisation du GPU grâce au placement piloté par l'apprentissage automatique
  • Équilibre entre latence, débit et efficacité

Scénarios pratiques et cas d'utilisation réels

  • Mise à l'échelle automatique des applications à forte charge grâce à l'IA
  • Optimisation des pools de nœuds hétérogènes
  • Application de l'apprentissage automatique aux environnements multi-locataires

Synthèse et prochaines étapes

Pré requis

  • Compréhension des fondamentaux de Kubernetes
  • Expérience des déploiements d'applications conteneurisées
  • Familiarité avec l'exploitation de clusters et la gestion des ressources

Public cible

  • Ingénieurs SRE travaillant avec des systèmes distribués à grande échelle
  • Opérateurs Kubernetes gérant des charges de travail à forte demande
  • Ingénieurs plateforme optimisant l'infrastructure de calcul
 21 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (4)

Cours à venir

Catégories Similaires