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.
Programa del Curso
Introducción a la implementación de IA
- Descripción general del ciclo de vida de la implementación de IA
- Desafíos en la implementación de agentes de IA en producción
- Consideraciones clave: escalabilidad, confiabilidad y facilidad de mantenimiento
Contenedorización y orquestación
- Introducción a Docker y conceptos básicos de contenedorización
- Uso de Kubernetes para la orquestación de agentes de IA
- Prácticas recomendadas para administrar aplicaciones de IA en contenedores
Sirviendo a los modelos de IA
- Descripción general de los marcos de servicio de modelos (por ejemplo, TensorFlow Servir, TorchServir)
- Creación de API de REST para la inferencia de agentes de IA
- Manejo de predicciones por lotes frente a predicciones en tiempo real
CI/CD para AI Agents
- Configuración de canalizaciones de CI/CD para implementaciones de IA
- Automatización de las pruebas y la validación de modelos de IA
- Actualizaciones continuas y administración del control de versiones
Monitoreo y optimización
- Implementación de herramientas de supervisión para el rendimiento de los agentes de IA
- Análisis de la deriva del modelo y las necesidades de reentrenamiento
- Optimización de la utilización de recursos y la escalabilidad
Seguridad y Governance
- Garantizar el cumplimiento de la normativa de privacidad de datos
- Protección de las canalizaciones de implementación de IA y las API
- Auditoría y registro para aplicaciones de IA
Manos a la obra Activities
- Inclusión de un agente de IA en contenedores con Docker
- Implementación de un agente de IA mediante Kubernetes
- Configuración de la supervisión del rendimiento de la IA y el uso de recursos
Resumen y próximos pasos
Requerimientos
- Competencia en Python programación
- Comprensión de los flujos de trabajo de aprendizaje automático
- Familiaridad con herramientas de contenedorización como Docker
- Experiencia con DevOps prácticas (recomendado)
Audiencia
- MLOps Ingenieros
- DevOps Profesionales
14 Horas