Kontakt aufnehmen

Schulungsübersicht

Vorbereitung von Machine-Learning-Modellen für die Bereitstellung

  • Packen von Modellen mit Docker
  • Exportieren von Modellen aus TensorFlow und PyTorch
  • Überlegungen zu Versionierung und Speicherung

Model Serving auf Kubernetes

  • Überblick über Inferenz-Server
  • Bereitstellung von TensorFlow Serving und TorchServe
  • Einrichtung von Modell-Endpunkten

Techniken zur Optimierung der Inferenz

  • Batching-Strategien
  • Bearbeitung paralleler Anfragen
  • Optimierung von Latenz und Durchsatz

Autoscaling von ML-Workloads

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

GPU-Provisionierung und Ressourcenmanagement

  • Konfiguration von GPU-Knoten
  • Überblick über den NVIDIA Device Plugin
  • Ressourcenanforderungen und -grenzen für ML-Workloads

Strategien für Modell-Rollout und Release

  • Blue/Green-Deployments
  • Canary-Rollout-Muster
  • A/B-Tests zur Modellbewertung

Überwachung und Observability für ML in Produktion

  • Metriken für Inferenz-Workloads
  • Praktiken für Logging und Tracing
  • Dashboards und Alerting

Sicherheits- und Zuverlässigkeitsaspekte

  • Sicherung von Modell-Endpunkten
  • Netzwerkrichtlinien und Zugangskontrolle
  • Gewährleistung hoher Verfügbarkeit

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis der Arbeitsabläufe von containerisierten Anwendungen
  • Erfahrung mit Python-basierten Machine-Learning-Modellen
  • Kenntnisse der Kubernetes-Grundlagen

Zielgruppe

  • ML-Ingenieure
  • DevOps-Ingenieure
  • Platform-Engineering-Teams
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (3)

Kommende Kurse

Verwandte Kategorien