感謝您提交詢問！我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂！我們的一位團隊成員將在短時間內與您聯繫。
課程簡介
AI 工作流中的 CI/CD 簡介
- AI 模型交付管道的獨特挑戰
- 傳統 DevOps 與 MLOps 流程的比較
- 自動化模型部署的核心組件
使用 Docker 對 AI 模型進行容器化
- 為 ML 推論設計高效的 Dockerfile
- 管理相依套件與模型工件
- 建置安全且最佳化的映像檔
設定 CI/CD 管道
- CI/CD 工具選項及其生態系
- 建立用於自動化模型打包的管道
- 透過自動化檢查驗證管道
在 CI 中測試 AI 模型
- 自動化數據完整性檢查
- 模型服務的單元測試與整合測試
- 效能與回歸驗證
自動化部署基於 Docker 的 AI 服務
- 將 AI 容器部署至雲端環境
- 實施藍綠部署（Blue-green）與金丝雀發布（Canary rollouts）
- 部署失敗時的回滾策略
管理模型版本與工件
- 使用註冊表（Registry）進行模型及容器版本控制
- 映像檔的標記、簽章與提升
- 協調跨服務的模型更新
AI 的 CI/CD 監控與可觀察性
- 追蹤管道與模型效能
- 針對建置失敗或模型漂移發出警報
- 追蹤跨環境的推論行為
擴展 AI 系統的 CI/CD 管道
- 為大型模型並行化建置
- 最佳化計算與儲存資源
- 整合分散式與遠端執行器（Runners）
總結與後續步驟
最低要求
- 了解機器學習模型的生命週期
- 具有 Docker 容器化經驗
- 熟悉 CI/CD 概念及管道
適用對象
- DevOps 工程師
- MLOps 團隊
- AI 運維（AIOps）工程師
21 小時