Ponte en Contacto
 Duración 14 horas

Temario del curso

Preparación de modelos de aprendizaje automático para su despliegue

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

Servicio de modelos en Kubernetes

  • Vista general de los servidores de inferencia
  • Despliegue de TensorFlow Serving y TorchServe
  • Configuración de puntos de acceso (endpoints) de modelos

Técnicas de optimización de la inferencia

  • Estrategias de procesamiento por lotes (batching)
  • Gestión de solicitudes concurrentes
  • Ajuste de latencia y capacidad de transferencia

Autoescalamiento de cargas de trabajo de ML

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

Provisión de GPU y administración de recursos

  • Configuración de nodos GPU
  • Vista general del plugin de dispositivos NVIDIA
  • Solicitudes y límites de recursos para cargas de trabajo de ML

Estrategias de despliegue y liberación de modelos

  • Despliegues blue/green
  • Patrones de despliegue canary
  • Pruebas A/B para la evaluación de modelos

Monitoreo y observabilidad de ML en producción

  • Métricas para cargas de trabajo de inferencia
  • Prácticas de registro (logging) y seguimiento (tracing)
  • Paneles de control (dashboards) y alertas

Consideraciones de seguridad y confiabilidad

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

Resumen y siguientes pasos

Requerimientos

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

Audiencia

  • Ingenieros de ML
  • Ingenieros de DevOps
  • Equipos de ingeniería de plataformas

Número de participantes


Precio por participante

Reseñas (4)

Próximos cursos

Categorías Relacionadas