Contacta con nosotros

Temario del curso

Fundamentos del Despliegue 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 en latencia, capacidad de procesamiento (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.
  • Elección entre modelos de despliegue con contenedores, on-premise y en la nube.
  • Conceptos básicos de carga de modelo, enrutamiento de solicitudes y asignación de GPU.
  • Diseño orientado a la confiabilidad y simplicidad operativa.

Optimización de Latencia en la Práctica

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

Capacidad de Procesamiento, Agrupación de Solicitudes y Eficiencia de GPU

  • Estrategias de agrupación continua y agrupación de solicitudes (batching).
  • Gestión de la concurrencia y el comportamiento de las colas.
  • Mejora del uso de GPU sin perjudicar la experiencia del usuario.
  • Manejo de solicitudes con contexto largo y cargas de trabajo mixtas.

Cuantización y Control de Costos

  • Por qué la cuantización es crucial para el servicio en producción.
  • Compromisos prácticos de FP16, INT8 y otras opciones comunes de precisión.
  • Equilibrio entre calidad del modelo, latencia y costo de infraestructura.
  • Creación de una lista de comprobación simple para la optimización de costos.

Operaciones, Monitoreo y Revisión de Preparación

  • Disparadores para el autoescalado de servicios de inferencia.
  • Monitoreo de latencia, capacidad de procesamiento (throughput), uso del caché y salud de la GPU.
  • Conceptos básicos 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 on-premise y servicios basados en API.
  • Conocimientos prácticos de Python o tareas de ingeniería de sistemas.

Audiencia objetivo

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

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas