Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción al despliegue en entornos de producción
- Desafíos clave al desplegar modelos ajustados.
- Diferencias entre entornos de desarrollo y de producción.
- Herramientas y plataformas para el despliegue de modelos.
Preparación de modelos para el despliegue
- Exportación de modelos en formatos estándar (ONNX, TensorFlow SavedModel, etc.).
- Optimización de modelos para la latencia y el rendimiento.
- Prueba de modelos con casos extremos y datos del mundo real.
Contenerización para el despliegue de modelos
- Introducción a Docker.
- Creación de imágenes de Docker para modelos de aprendizaje automático.
- Mejores prácticas para la seguridad y la eficiencia de los contenedores.
Escalar despliegues con Kubernetes
- Introducción a Kubernetes para cargas de trabajo de inteligencia artificial.
- Configuración de clústeres de Kubernetes para alojar modelos.
- Balanceo de carga y escalado horizontal.
Supervisión y mantenimiento de modelos
- Implementación de la supervisión con Prometheus y Grafana.
- Registro automático de eventos para el seguimiento de errores y el rendimiento.
- Pipelines de retreinamiento para abordar la deriva del modelo y las actualizaciones.
Garantía de la seguridad en entornos de producción
- Seguridad de las API para la inferencia de modelos.
- Mecanismos de autenticación y autorización.
- Abordaje de las preocupaciones relacionadas con la privacidad de los datos.
Estudios de casos y laboratorios prácticos
- Despliegue de un modelo de análisis de sentimiento.
- Escalado de un servicio de traducción automática.
- Implementación de la supervisión para modelos de clasificación de imágenes.
Resumen y próximos pasos
Requerimientos
- Conocimientos sólidos sobre flujos de trabajo de aprendizaje automático.
- Experiencia previa en el ajuste de modelos de aprendizaje automático.
- Familiaridad con los principios de DevOps o MLOps.
Público objetivo
- Ingenieros de DevOps.
- Profesionales de MLOps.
- Especialistas en el despliegue de inteligencia artificial.
21 Horas
Testimonios (2)
El conocimiento y experiencia del consultor ya que se abordan los temas teóricos aplicándolos a la realidad de los procesos. El curso contiene un programa de mucho valor en la gestión de las tecnologías de información.
Luis Castro Gamboa - Cooperativa De Ahorro Y Credito Ande No. 1 R.L.
Curso - Site Reliability Engineering (SRE) Foundation®
Que fue muy claro en cada especificación
