Szkolenie Kubeflow – orkiestracja uczenia maszynowego na Kubernetes

Intensywne szkolenie skupiające się na wykorzystaniu platformy Kubeflow do orkiestracji procesów uczenia maszynowego w środowisku Kubernetes. Program prowadzi uczestników przez proces budowy, wdrażania i zarządzania potokami ML w środowisku rozproszonym, łącząc teorię z intensywną praktyką. Warsztaty praktyczne stanowią 70% czasu szkolenia, gdzie uczestnicy pracują na rzeczywistych przypadkach użycia, budując end-to-end rozwiązania ML z wykorzystaniem najlepszych praktyk DevOps i MLOps. Każde zagadnienie jest omawiane w kontekście praktycznych wyzwań produkcyjnych, z uwzględnieniem aspektów skalowalności, niezawodności i efektywności.

• Inżynierów MLOps wdrażających rozwiązania w produkcji
• DevOps specjalistów pracujących z systemami ML
• Architektów rozwiązań chmurowych dla AI/ML
• Data scientists zainteresowanych aspektami operacyjnymi ML
• Inżynierów platformy zajmujących się infrastrukturą ML
• Specjalistów ds. wdrożeń systemów ML
• Administratorów klastrów Kubernetes
• Zespołów odpowiedzialnych za ciągłą integrację i wdrażanie ML

1. Podstawy Kubeflow i architektura
• Komponenty i architektura Kubeflow
• Integracja z Kubernetes
• Zarządzanie zasobami klastra
• Konfiguracja środowiska deweloperskiego
2. Pipelines i orkiestracja
• Projektowanie potoków ML
• Komponenty i operatory Kubeflow
• Zarządzanie zależnościami
• Monitoring i debugging potoków
3. Zaawansowane wdrożenia
• Skalowanie potoków ML
• Zarządzanie wersjami modeli
• Optymalizacja wydajności
• Automatyzacja procesów ML
4. MLOps i praktyki DevOps
• Ciągła integracja dla ML
• Zarządzanie eksperymentami
• Monitoring produkcyjny
• Bezpieczeństwo i kontrola dostępu

Po ukończeniu szkolenia uczestnik będzie posiadał wszechstronną wiedzę o projektowaniu i wdrażaniu rozwiązań ML w środowisku Kubernetes z wykorzystaniem Kubeflow. Zdobędzie praktyczną umiejętność budowy skalowalnych potoków ML, które mogą obsługiwać złożone procesy uczenia i wnioskowania. Rozwinie kompetencje w zakresie zarządzania całym cyklem życia modeli ML w środowisku produkcyjnym. Nauczy się efektywnie wykorzystywać zasoby obliczeniowe i optymalizować wydajność potoków ML. Będzie potrafił implementować najlepsze praktyki MLOps, zapewniając niezawodność i bezpieczeństwo wdrożeń. Zyska umiejętność integracji rozwiązań ML z istniejącą infrastrukturą DevOps i procesami CI/CD.

• Praktyczna znajomość Kubernetes i konteneryzacji
• Doświadczenie w implementacji rozwiązań ML
• Znajomość podstaw DevOps i CI/CD
• Umiejętności programowania w Pythonie

• Architektura Kubeflow
• ML pipelines
• Kubernetes dla ML
• Model serving
• Experiment tracking
• Resource management
• Pipeline optimization
• Version control
• Model deployment
• Monitoring systemów ML
• Security practices
• Infrastructure automation