聯繫我們
 課程時長 21 時間:

課程簡介

AI工作流CI/CD简介

  • AI模型交付管道的独特挑战
  • 传统DevOps与MLOps流程对比
  • 自动化模型部署的核心组件

使用Docker容器化AI模型

  • 为ML推理设计高效的Dockerfile
  • 管理依赖项与模型工件
  • 构建安全且优化的镜像

搭建CI/CD管道

  • CI/CD工具选项及其生态系统
  • 构建用于自动化模型打包的管道
  • 通过自动化检查验证管道

在CI中测试AI模型

  • 自动化数据完整性检查
  • 模型服务的单元与集成测试
  • 性能与回归验证

基于Docker的AI服务自动化部署

  • 将AI容器部署到云环境
  • 实施蓝绿部署与金丝雀发布
  • 部署失败时的回滚策略

管理模型版本与工件

  • 使用注册表进行模型与容器版本控制
  • 标记、签名与提升镜像
  • 跨服务协调模型更新

面向AI的CI/CD监控与可观测性

  • 跟踪管道与模型性能
  • 构建失败或模型漂移告警
  • 跨环境追踪推理行为

扩展AI系统的CI/CD管道

  • 大型模型构建并行化
  • 优化计算与存储资源
  • 集成分布式与远程运行器

总结与后续步骤

最低要求

  • 了解机器学习模型生命周期
  • 具有Docker容器化经验
  • 熟悉CI/CD概念与管道

目标受众

  • DevOps工程师
  • MLOps团队
  • AI运维工程师

人數


每位參與者的報價

即將到來的課程

課程分類