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
  • 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 les conteneurs pour l'expérimentation ML
  • Utiliser efficacement la CLI Docker

Empaquetage des environnements ML

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

Création de 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

Conteneurisation des modèles ML et des pipelines

  • Empaquetage de modèles entraînés dans des conteneurs
  • Gérer les stratégies de données et de stockage
  • Déployer des workflows complets reproductibles

Exécuter des services ML conteneurisés

  • Exposer des points de terminaison API pour l'inférence de modèles
  • 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 des actifs ML confidentiels

Déploiement dans des environnements de production

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

Résumé et étapes suivantes

Pré requis

  • Une compréhension des workflows d'apprentissage automatique
  • Une 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 AI construisant des applications conteneurisées évolutives
 14 Heures

Nombre de participants


Prix ​​par Participant

Nos clients témoignent (5)

Cours à venir

Catégories Similaires