Ponte en Contacto

Temario del curso

Fundamentos de Tencent Hunyuan en Producción

  • Descripción general de los escenarios de servicio de modelos Tencent Hunyuan.
  • Características de producción de modelos grandes y MoE.
  • Cuellos de botella comunes de latencia, rendimiento (throughput) y costos.
  • Definición de objetivos de nivel de servicio (SLO) para cargas de trabajo de inferencia.

Arquitectura de despliegue y flujo de servicio

  • Componentes principales de una pila de inferencia en producción.
  • Elegir entre modelos de despliegue con contenedores, local o en la nube.
  • Fundamentos de carga de modelo, enrutamiento de solicitudes y asignación de GPU.
  • Diseño para confiabilidad y simplicidad operativa.

Optimización de latencia en la práctica

  • Uso de motores de inferencia optimizados como TensorRT, donde sea aplicable.
  • Conceptos de KV-cache y ajuste práctico del caché.
  • Reducción de la sobrecarga de inicio, calentamiento (warmup) y respuesta.
  • Medición del tiempo hasta el primer token y la velocidad de generación de tokens.

Rendimiento, Agrupamiento y Eficiencia de GPU

  • Estrategias de agrupamiento continuo y agrupamiento por solicitudes.
  • Gestión de concurrencia y comportamiento de la cola.
  • Mejora del aprovechamiento de las GPU sin perjudicar la experiencia del usuario.
  • Gestión de solicitudes de contexto largo y cargas de trabajo mixtas.

Cuantización y Control de Costos

  • Por qué es importante la cuantización para el servicio en producción.
  • Compensaciones prácticas entre FP16, INT8 y otras opciones de precisión comunes.
  • Equilibrio entre calidad del modelo, latencia y costos de infraestructura.
  • Construcción de una lista de verificación simple para la optimización de costos.

Operaciones, Monitoreo y Revisión de Preparación

  • Activadores de autoscaling para servicios de inferencia.
  • Monitoreo de latencia, rendimiento (throughput), uso de caché y salud de las GPU.
  • Fundamentos de registro de eventos (logging), alertas y respuesta a incidentes.
  • Revisión de un despliegue de referencia y creación de un plan de mejora.

Requerimientos

  • Comprensión básica de los flujos de trabajo de despliegue e inferencia de modelos de lenguaje grande (LLM).
  • Experiencia con contenedores, infraestructura en la nube o local, y servicios basados en API.
  • Conocimiento práctico de Python o tareas de ingeniería de sistemas.

Público objetivo

  • Ingenieros de ML que despliegan LLMs en producción.
  • Ingenieros de plataforma responsables de servicios de inferencia basados en GPU.
  • Arquitectos de soluciones que diseñan plataformas de servicio de IA escalables.
 14 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas