Prenez contact avec nous
 Durée 14 heures

Plan du cours

Préparation des modèles d'apprentissage automatique pour le déploiement

  • Emballage des modèles avec Docker
  • Exportation de modèles depuis TensorFlow et PyTorch
  • Considérations relatives à la versioning et au stockage

Servir les modèles sur Kubernetes

  • Aperçu des serveurs d'inférence
  • Déploiement de TensorFlow Serving et TorchServe
  • Configuration des points d'accès aux modèles

Techniques d'optimisation de l'inférence

  • Stratégies de lot (batching)
  • Gestion des requêtes concurrentes
  • Ajustement de la latence et du débit

Auto-mise à l'échelle des charges de travail ML

  • Horizontal Pod Autoscaler (HPA)
  • Vertical Pod Autoscaler (VPA)
  • Kubernetes Event-Driven Autoscaling (KEDA)

Provisionnement des GPU et gestion des ressources

  • Configuration des nœuds GPU
  • Aperçu du plugin de périphérique NVIDIA
  • Requêtes et limites de ressources pour les charges de travail ML

Stratégies de déploiement et de publication de modèles

  • Déploiements Blue/Green
  • Modèles de déploiement canari
  • Tests A/B pour l'évaluation des modèles

Surveillance et observabilité du ML en production

  • Métriques pour les charges de travail d'inférence
  • Pratiques de journalisation et de suivi (tracing)
  • Tableaux de bord et alertes

Enjeux de sécurité et de fiabilité

  • Sécurisation des points d'accès aux modèles
  • Politiques réseau et contrôle d'accès
  • Garantie de la haute disponibilité

Synthèse et prochaines étapes

Pré requis

  • Une compréhension des flux de travail des applications conteneurisées
  • Une expérience avec les modèles d'apprentissage automatique basés sur Python
  • Une familiarité avec les fondamentaux de Kubernetes

Public cible

  • Ingénieurs ML
  • Ingénieurs DevOps
  • Équipes d'ingénierie de plateforme

Nombre de participants


Prix par participant

Nos clients témoignent (4)

Cours à venir

Catégories Similaires