Ponte en Contacto

Temario del curso

Preparación de modelos de aprendizaje automático para su implementación

  • Empaquetado de modelos con Docker
  • Exportación de modelos desde TensorFlow y PyTorch
  • Consideraciones sobre versionado y almacenamiento

Servicio de modelos en Kubernetes

  • Resumen de servidores de inferencia
  • Implementación de TensorFlow Serving y TorchServe
  • Configuración de puntos finales de modelos

Técnicas de optimización de inferencia

  • Estrategias de lote (batching)
  • Gestión de solicitudes concurrentes
  • Ajuste de latencia y rendimiento (throughput)

Escala automática de cargas de trabajo de ML

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

Provisionamiento de GPU y gestión de recursos

  • Configuración de nodos GPU
  • Resumen del complemento de dispositivo NVIDIA
  • Solicitudes y límites de recursos para cargas de trabajo de ML

Estrategias de despliegue y liberación de modelos

  • Despliegues azul/verde (blue/green)
  • Patrones de despliegue canary
  • Pruebas A/B para evaluación de modelos

Monitoreo y observabilidad para ML en producción

  • Métricas para cargas de trabajo de inferencia
  • Prácticas de registro y trazado
  • Tableros (dashboards) y alertas

Consideraciones de seguridad y confiabilidad

  • Seguridad de los puntos finales de modelos
  • Políticas de red y control de acceso
  • Garantía de alta disponibilidad

Resumen y próximos pasos

Requerimientos

  • Comprensión de los flujos de trabajo de aplicaciones contenerizadas
  • Experiencia con modelos de aprendizaje automático basados en Python
  • Conocimiento de los fundamentos de Kubernetes

Público Objetivo

  • Ingenieros de ML
  • Ingenieros de DevOps
  • Equipos de ingeniería de plataforma
 14 Horas

Número de participantes


Precio por participante

Reseñas (4)

Próximos cursos

Categorías Relacionadas