Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción al despliegue de IA
- Visión general del ciclo de vida del despliegue de IA
- Desafíos en el despliegue de agentes de IA a producción
- Consideraciones clave: escalabilidad, confiabilidad y mantenibilidad
Contenerización y orquestación
- Introducción a Docker y conceptos básicos de contenerización
- Uso de Kubernetes para la orquestación de agentes de IA
- Mejores prácticas para gestionar aplicaciones de IA contenerizadas
Servicio de modelos de IA
- Visión general de marcos de trabajo para el servicio de modelos (p. ej., TensorFlow Serving, TorchServe)
- Construcción de APIs REST para inferencia de agentes de IA
- Gestión de predicciones por lotes frente a predicciones en tiempo real
CI/CD para agentes de IA
- Configuración de pipelines CI/CD para despliegues de IA
- Automatización de la prueba y validación de modelos de IA
- Actualizaciones progresivas y gestión del control de versiones
Monitoreo y optimización
- Implementación de herramientas de monitoreo para el rendimiento de agentes de IA
- Análisis del desplazamiento de modelos (model drift) y necesidades de reentrenamiento
- Optimización de la utilización de recursos y la escalabilidad
Seguridad y gobernanza
- Asegurar el cumplimiento de las regulaciones de privacidad de datos
- Protección de los pipelines de despliegue de IA y las APIs
- Auditoría y registros para aplicaciones de IA
Actividades prácticas
- Contenerización de un agente de IA con Docker
- Despliegue de un agente de IA usando Kubernetes
- Configuración del monitoreo para el rendimiento de la IA y el uso de recursos
Resumen y próximos pasos
Requerimientos
- Competencia en programación Python
- Conocimiento de flujos de trabajo de machine learning
- Conocimiento de herramientas de contenerización como Docker
- Experiencia con prácticas de DevOps (recomendado)
Público objetivo
- Ingenieros de MLOps
- Profesionales de DevOps
14 Horas
