Programa do Curso

Introdução à implementação da produção

  • Principais desafios na implementação de modelos ajustados
  • Diferenças entre ambientes de desenvolvimento e de produção
  • Ferramentas e plataformas para implantação de modelos

Preparação de modelos para implantação

  • Exportação de modelos em formatos padrão (ONNX, TensorFlow SavedModel, etc.)
  • Otimização de modelos para latência e rendimento
  • Teste de modelos em casos extremos e dados do mundo real

Contentorização para implementação de modelos

  • Introdução ao Docker
  • Criação de imagens Docker para modelos de ML
  • Práticas recomendadas para segurança e eficiência de contêineres

Escalonamento de implantações com Kubernetes

  • Introdução ao Kubernetes para cargas de trabalho de IA
  • Configuração de clusters Kubernetes para hospedagem de modelos
  • Balanceamento de carga e dimensionamento horizontal

Monitoramento e manutenção de modelos

  • Implementando o monitoramento com Prometheus e Grafana
  • Registo automatizado para rastreio de erros e desempenho
  • Retreinamento de pipelines para desvios e actualizações de modelos

Garantindo a segurança na produção

  • Protegendo APIs para inferência de modelos
  • Mecanismos de autenticação e autorização
  • Abordagem das preocupações com a privacidade dos dados

Estudos de caso e laboratórios práticos

  • Implementação de um modelo de análise de sentimentos
  • Escalonamento de um serviço de tradução automática
  • Implementação de monitorização para modelos de classificação de imagens

Resumo e próximos passos

Requisitos

  • Forte compreensão dos fluxos de trabalho de aprendizagem automática
  • Experiência com modelos de ML de afinação fina
  • Familiaridade com os princípios DevOps ou MLOps

Público-alvo

  • DevOps engenheiros
  • Profissionais MLOps
  • Especialistas em implantação de IA
 21 Horas

Número de participantes


Preço por Participante

Declaração de Clientes (1)

Próximas Formações Provisórias

Categorias Relacionadas