Plan du cours
Introduction à la conteneurisation pour l'IA et le ML
- Concepts fondamentaux de la conteneurisation
- Pourquoi les conteneurs sont idéaux pour les charges de travail en ML
- Différences clés entre conteneurs et machines virtuelles
Travail avec les images et les conteneurs Docker
- Comprendre les images, les couches et les dépôts (registries)
- Gestion des conteneurs pour l'expérimentation en ML
- Utilisation efficace de l'interface en ligne de commande (CLI) de Docker
Emballage des environnements ML
- Préparation des bases de code ML pour la conteneurisation
- Gestion des environnements Python et des dépendances
- Intégration de CUDA et de la prise en charge GPU
Création de fichiers Docker pour le machine learning
- Structuration des fichiers Docker pour les projets ML
- Meilleures pratiques en matière de performance et de maintenabilité
- Utilisation de constructions multi-étapes (multi-stage builds)
Conteneurisation des modèles et des pipelines ML
- Emballage des modèles entraînés dans des conteneurs
- Gestion des stratégies de données et de stockage
- Déploiement de flux de travail extrémité-à-extrémité reproductibles
Exécution de services ML conteneurisés
- Exposition de points de terminaison API pour l'inférence des modèles
- Mise à l'échelle des services avec Docker Compose
- Surveillance du comportement d'exécution
Considérations relatives à la sécurité et à la conformité
- Assurer des configurations de conteneurs sécurisées
- Gestion des accès et des informations d'identification
- Gestion des actifs ML confidentiels
Déploiement dans les environnements de production
- Publication des images dans les dépôts de conteneurs
- Déploiement des conteneurs sur des installations locales ou dans le nuage
- Versionnage et mise à jour des services de production
Résumé et prochaines étapes
Pré requis
- Compréhension des flux de travail en machine learning
- Expérience avec Python ou des langages de programmation similaires
- Maîtrise des opérations de base de la ligne de commande Linux
Public cible
- Ingénieurs ML déployant des modèles en production
- Scientifiques des données gérant des environnements d'expérimentation reproductibles
- Développeurs d'IA créant des applications conteneurisées évolutives
Nos clients témoignent (3)
programme de formation structuré et organisé en plusieurs niveaux.
Bert Paelinckx - Cube SoftwareSolutions
Formation - Introduction to Docker
Traduction automatique
Comment les formateurs transmettent-ils efficacement leurs connaissances
Vu Thoai Le - Reply Polska sp. z o. o.
Formation - Certified Kubernetes Administrator (CKA) - exam preparation
Traduction automatique
Les connaissances et les échanges avec Augustin
Laurent - L'Office national des vacances annuelles (ONVA)
Formation - Docker and Kubernetes
Traduction automatique