Prenez contact avec nous
 Durée 14 heures

Plan du cours

Introduction à la conteneurisation pour l'IA et le ML

  • Concepts fondamentaux de la conteneurisation
  • Pourquoi les conteneurs sont idéaux pour les charges de travail ML
  • Différences clés entre conteneurs et machines virtuelles

Travail avec les images et les conteneurs Docker

  • Comprendre les images, les couches et les registres
  • Gestion des conteneurs pour les expériences ML
  • Utilisation efficace de l'interface en ligne de commande Docker

Emballage des environnements ML

  • Préparation des bases de code ML pour la conteneurisation
  • Gestion des environnements Python et des dépendances
  • Intégration du support CUDA et GPU

Création de Dockerfiles pour le machine learning

  • Structure des Dockerfiles pour les projets ML
  • Bonnes pratiques pour la performance et la maintenabilité
  • Utilisation des builds multi-étapes

Conteneurisation des modèles et des pipelines ML

  • Emballage des modèles entraînés dans des conteneurs
  • Gestion des stratégies de données et de stockage
  • Déploiement de flux de travail reproductibles de bout en bout

Exécution de services ML conteneurisés

  • Exposition de points d'accès API pour l'inférence des modèles
  • Mise à l'échelle des services avec Docker Compose
  • Surveillance du comportement en temps d'exécution

Considérations de sécurité et de conformité

  • Assurer des configurations de conteneurs sécurisées
  • Gestion des accès et des informations d'identification
  • Prise en charge des actifs ML confidentiels

Déploiement dans les environnements de production

  • Publication des images dans les registres de conteneurs
  • Déploiement des conteneurs dans des configurations on-prem ou cloud
  • Versionnement et mise à jour des services de production

Résumé et prochaines étapes

Pré requis

  • Une compréhension des flux de travail du machine learning
  • De l'expérience avec Python ou des langages de programmation similaires
  • Une familiarité avec les opérations de base de la ligne de commande Linux

Public cible

  • Ingénieurs ML déployant des modèles en production
  • Scientifiques de données gérant des environnements d'expérimentation reproductibles
  • Développeurs IA construisant des applications conteneurisées évolutives

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires