Prenez contact avec nous

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 de ML
  • Différences clés entre conteneurs et machines virtuelles

Travail avec les images et conteneurs Docker

  • Comprendre les images, les couches et les dépôts (registries)
  • Gestion des conteneurs pour l'expérimentation ML
  • Utilisation efficace de l'interface en ligne de commande Docker (CLI)

Encapsulation 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

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

Conteneurisation des modèles et pipelines ML

  • Encapsulation des modèles entraînés dans des conteneurs
  • Gestion des stratégies de données et de stockage
  • Déploiement de workflows bout-en-bout reproductibles

Exécution de services ML conteneurisés

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

Considérations relatives à la sécurité et à la conformité

  • Garantir des configurations de conteneurs sécurisées
  • Gestion des accès et des identifiants
  • Gestion des actifs ML confidentiels

Déploiement dans les environnements de production

  • Publication des images dans les dépôts de conteneurs
  • Déploiement de conteneurs dans des configurations locales ou cloud
  • Gestion des versions et mise à jour des services de production

Résumé et prochaines étapes

Pré requis

  • Une compréhension des workflows de machine learning
  • Une expérience avec Python ou des langages de programmation similaires
  • Une familiarité avec les opérations de base en ligne de commande Linux

Public cible

  • Ingénieurs ML déployant des modèles en production
  • Scientifiques des données gérant des environnements d'expérimentation reproductibles
  • Développeurs IA créant des applications conteneurisées scalables
 14 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (3)

Cours à venir

Catégories Similaires