Kubeflow na OpenShift – orkiestracja ML na Kubernetes

Opis

Szkolenie przedstawia zaawansowane podejście do wdrażania rozwiązań uczenia maszynowego na platformie OpenShift z wykorzystaniem Kubeflow. Program został starannie opracowany, aby przeprowadzić uczestników przez proces budowy skalowalnych systemów ML w środowisku Kubernetes. Podczas intensywnych warsztatów uczestnicy poznają pełen cykl życia aplikacji ML – od przygotowania środowiska, przez implementację potoków ML, aż po wdrożenie i monitoring w produkcji. Zajęcia łączą solidne podstawy teoretyczne z praktycznym doświadczeniem, umożliwiając zrozumienie zarówno architektonicznych, jak i operacyjnych aspektów platformy.

Profil uczestnika

Szkolenie jest dedykowane specjalistom MLOps i DevOps, którzy chcą efektywnie wdrażać rozwiązania ML w środowisku Kubernetes. Jest szczególnie wartościowe dla inżynierów platformy odpowiedzialnych za infrastrukturę ML, specjalistów ds. uczenia maszynowego pracujących nad skalowalnymi rozwiązaniami, administratorów OpenShift zainteresowanych wdrożeniami ML, oraz architektów rozwiązań projektujących systemy AI w chmurze. Program jest również odpowiedni dla zespołów przechodzących na platformę Kubeflow w środowisku OpenShift.

Agenda

1. Architektura i komponenty
• Integracja Kubeflow z OpenShift
• Instalacja i konfiguracja platformy
• Zarządzanie użytkownikami i uprawnieniami
• Architektura wieloużytkownikowa
2. Jupyter na Kubeflow
• Zarządzanie notebookami
• Integracja z systemami storage
• Współdzielenie zasobów
• Automatyzacja środowisk rozwojowych
3. Potoki ML i eksperymenty
• Projektowanie potoków ML
• Zarządzanie eksperymentami
• Śledzenie metryk i artefaktów
• Automatyzacja procesów ML
4. Trening i wdrażanie
• Distributed training na Kubernetes
• Model serving z KFServing
• Monitoring i observability
• Optymalizacja wydajności klastra

Korzyści

Po ukończeniu szkolenia uczestnicy będą posiadać zaawansowane umiejętności w zakresie wdrażania i zarządzania rozwiązaniami ML na platformie OpenShift z wykorzystaniem Kubeflow. Zdobędą praktyczną wiedzę dotyczącą architektury systemu, automatyzacji procesów ML, zarządzania zasobami obliczeniowymi oraz monitorowania środowiska produkcyjnego. Uczestnicy poznają metody efektywnego wykorzystania infrastruktury Kubernetes do zadań ML, techniki optymalizacji wydajności oraz najlepsze praktyki w operacjonalizacji systemów AI.

Wymagane przygotowanie uczestników

Przed rozpoczęciem szkolenia uczestnicy powinni posiadać praktyczną znajomość Kubernetes i OpenShift oraz podstawowe doświadczenie w tworzeniu modeli uczenia maszynowego. Wskazana jest również znajomość procesów CI/CD i praktyk DevOps.

Zagadnienia

Program szkolenia obejmuje szeroki zakres tematów związanych z wdrażaniem ML na platformie Kubernetes. Uczestnicy poznają architekturę Kubeflow, zarządzanie środowiskami Jupyter, automatyzację potoków ML, distributed training, serving modeli, monitoring i analitykę oraz najlepsze praktyki operacyjne. Szczególny nacisk położony jest na praktyczne aspekty budowy skalowalnych systemów ML w środowisku produkcyjnym.

Poznaj naszą firmę