Prenez contact avec nous

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
 14 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (3)

Cours à venir

Catégories Similaires