Trwają zapisy do grupy
Wdrażanie modeli AI
Szkolenie "Wdrażanie modeli AI" pokrywa powszechnie stosowane narzędzia w procesie wdrożenia modeli opartych o AI i dostarcza niezbędnych kompetencji pozwalających na samodzielne ich wdrożenie.
3950 PLN+23% VAT (4858 PLN brutto / 1 os.)Czas trwania szkolenia:5 dni (40h)
Poziom zaawansowania:
Kod kursu:DEPLOY/AI
Wdrażanie modeli AI
Cele szkolenia
- Doświadczenie całego procesu wdrożenia modeli AI
- Poznanie najlepszych praktyk w implementacji API w FastAPI
- Poznanie najlepszych praktyk w pracy z kontenerami z wykorzystaniem Dockera
- Poznanie najlepszych praktyk podczas wdrązania na klastry Kubernetes
- Zautomatyzowanie całego procesu wdrożeniowego
Dla kogo?
- Doświadczonych Data Scientistów oraz Programistów, którzy chcieliby rozwinąć się w procesach wdrożeniowych modeli uczenia maszynowego i AI
Zalety
- Szkolenie "Wdrażanie modeli AI" w pełni dostosowane do problematyki wdrożenia modeli uczenia maszynowego
- Realizowanie projektu end-to-end - od implementacji API, poprzez kontenery, na klaster Kubernetes, zautomatyzowane w CICD
- Szkolenie "Wdrażanie modeli AI" ma charakter warsztatowy - dużo praktyki i ćwiczeń, teoria niezbędne minimum
Wymagania
- Szkolenie nie jest kierowane dla osób początkujących - wymagane co najmniej roczne doświadczenie programistyczne
- Dobra znajomość języka Python
- Podstawowa znajomość zagadnień sieciowych i protokołu HTTP
- Podstawowa znajomość środowiska Linux
- Podstawowa znajomość uczenia maszynowego
W cenie otrzymasz:
- Materiały szkoleniowe
- Certyfikat ukończenia szkolenia
- W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Program
Wprowadzenie do wdrożenia modeli uczenia maszynowego
- Charakterystyka wdrożenia
- Problemy z wdrożeniem modeli uczenia maszynowego
- Różne sposoby wdrożenia modeli
API (FastAPI)
- Implementacja API dla modeli uczenia maszynowego
- Protokół HTTP
- Type Annotations i jak wykorzystywane jest w FastAPI
- Schematy Pydantic
- Czym jest REST
- Cache'owanie w API
- Zapisy i odczyt z baz danych
- Przetwarzanie asynchroniczne
Kontenery (Docker)
- Czym jest kontener - zalety i wady
- Budowa obrazów przy użyciu Dockerfile
- Warstwy w Dockerze
- Cache'owanie i przyśpieszenie budowy obrazów
- Praca z kontenerem i jego debugowanie
Wdrożenie na produkcję (Kubernetes)
- Czym jest Kubernetes - zalety i wady
- Przegląd narzędzi w celach uczenia maszynowego powstałych wokół Kubernetesa
- Podstawy architektury Kubernetesa
- Namespaces - przestrzenie w klastrze
- Pod - podstawowa jednostka alokacji procesów w klastrze
- Deployment - zarządzanie liczbą replik serwisów wraz ze sposobem ich aktualizacji
- Service - konfiguracja komunikacji oraz sposoby na udostępnienie serwisu
- Ingress - przekierowywanie zapytań do serwisów znajdujących się na klastrze
- Health, Readiness, Startup Probing - kontrolowanie poprawnego funkcjonowania serwisów
- Requests, Limits - Ustalanie wymaganych zasobów na serwisach
- HorizontalPodAutoscaler - konfiguracja automatycznego skalowania serwisów
- Przeprowadzanie testów obciążeniowych
Automatyzacja (CICD)
- Definiowanie pipeline'ów
- Zrównoleglanie kroków
- Continuous Integration - lintowanie, skanowanie, uruchamianie testów
- Continuous Deployment - automatyczna budowa obrazów, wdrożenie na środowiska dev/prod