Plan du cours

Introduction à la conteneurisation pour l'IA et le ML

  • Concepts de base de la conteneurisation
  • Pourquoi les conteneurs sont idéaux pour les charges de travail ML
  • Principales différences entre les conteneurs et les machines virtuelles

Travailler avec des images et des conteneurs Docker

  • Comprendre les images, les couches et les registres
  • Gérer des conteneurs pour l'expérimentation ML
  • Utiliser efficacement la CLI Docker

Empaqueter des environnements ML

  • Préparer les bases de code ML pour la conteneurisation
  • Gérer des environnements Python et leurs dépendances
  • Intégrer le support CUDA et GPU

Construire des Dockerfiles pour l'apprentissage automatique

  • Structurer des Dockerfiles pour les projets ML
  • Meilleures pratiques pour la performance et la maintenabilité
  • Utiliser des builds multi-étapes

Conteneuriser des modèles et pipelines ML

  • Empaqueter des modèles formés dans des conteneurs
  • Gérer les stratégies de données et de stockage
  • Déployer des workflows end-to-end reproductibles

Exécuter des services ML conteneurisés

  • Exposer des points de terminaison API pour l'inférence de modèle
  • Évoluer les services avec Docker Compose
  • Surveiller le comportement en temps d'exécution

Considérations sur la sécurité et la conformité

  • Assurer des configurations de conteneurs sécurisées
  • Gérer l'accès et les identifiants
  • Gérer les actifs ML confidentiels

Déploiement dans des environnements de production

  • Publier des images dans des registres de conteneurs
  • Déployer des conteneurs en local ou dans le cloud
  • Versionner et mettre à jour les services de production

Résumé et étapes suivantes

Pré requis

  • Une compréhension des flux de travail en apprentissage automatique
  • Une expérience avec Python ou des langages de programmation similaires
  • Une familiarité avec les opérations de base sur 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
 14 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (5)

Cours à venir

Catégories Similaires