Contacta con nosotros

Temario del curso

Preparación de modelos de aprendizaje automático para la implementación

  • Empaquetado de modelos con Docker
  • Exportación de modelos desde TensorFlow y PyTorch
  • Consideraciones de versionado y almacenamiento

Servicio de modelos en Kubernetes

  • Descripción general de servidores de inferencia
  • Implementación de TensorFlow Serving y TorchServe
  • Configuración de puntos de enlace (endpoints) para modelos

Técnicas de optimización de inferencia

  • Estrategias de procesamiento por lotes
  • Gestión de solicitudes concurrentes
  • Ajuste de latencia y rendimiento

Escalar automáticamente cargas de trabajo de ML

  • Horizontal Pod Autoscaler (HPA)
  • Vertical Pod Autoscaler (VPA)
  • Kubernetes Event-Driven Autoscaling (KEDA)

Provisionamiento de GPU y gestión de recursos

  • Configuración de nodos GPU
  • Descripción general del plugin de dispositivo NVIDIA
  • Solicitudes y límites de recursos para cargas de trabajo de ML

Estrategias de lanzamiento y liberación de modelos

  • Despliegues blue/green
  • Patrones de lanzamiento canario
  • Pruebas A/B para evaluación de modelos

Monitoreo y observabilidad de ML en producción

  • Métricas para cargas de trabajo de inferencia
  • Prácticas de registro y trazabilidad
  • Paneles de control y alertas

Consideraciones de seguridad y confiabilidad

  • Seguridad de los puntos de enlace de modelos
  • Políticas de red y control de acceso
  • Garantía de alta disponibilidad

Resumen y próximos pasos

Requerimientos

  • Conocimiento de los flujos de trabajo de aplicaciones contenerizadas
  • Experiencia con modelos de aprendizaje automático basados en Python
  • Familiaridad con los fundamentos de Kubernetes

Público objetivo

  • Ingenieros de ML
  • Ingenieros de DevOps
  • Equipos de ingeniería de plataformas
 14 Horas

Número de participantes


Precio por participante

Testimonios (4)

Próximos cursos

Categorías Relacionadas