聯繫我們

課程簡介

AI部署基礎介紹

  • AI部署生命週期概覽
  • AI智能體部署至生產環境面臨的挑戰
  • 關鍵考慮因素:擴展性、可靠性和可維護性

容器化與編排

  • Docker及容器化基礎知識介紹
  • 使用Kubernetes進行AI智能體編排
  • 管理容器化AI應用的最佳實踐

AI模型服務化

  • 模型服務框架概覽(如TensorFlow Serving、TorchServe)
  • 為AI智能體推測構建REST API
  • 處理批量預測與實時預測

AI智能體的CI/CD

  • 為AI部署設置CI/CD管道
  • 自動化AI模型的測試與驗證
  • 滾動更新與版本控制管理

監控與優化

  • 實施AI智能體性能監控工具
  • 分析模型漂移及再訓練需求
  • 優化資源利用率與擴展性

安全與治理

  • 確保符合數據隱私法規要求
  • 保護AI部署管道與API安全
  • AI應用的審計與日誌記錄

動手實踐活動

  • 使用Docker對AI智能體進行容器化
  • 使用Kubernetes部署AI智能體
  • 設置AI性能與資源使用的監控

總結與後續步驟

最低要求

  • 精通Python編程
  • 理解機器學習工作流程
  • 熟悉Docker等容器化工具
  • 具備DevOps實踐經驗(建議)

目標受眾

  • MLOps工程師
  • DevOps專業人員
 14 小時

人數


每位參與者的報價

即將到來的課程

課程分類