Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
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
Nos clients témoignent (1)
J'apprécie particulièrement la partie consacrée à Kubernetes lors de cette formation. J'avais des tâches impliquant des pods et des ports K8s, et il était agréable d'en acquérir une meilleure compréhension. Merci !
Laura Miron - Betfair
Formation - Docker and Kubernetes
Traduction automatique