Podstawy Kubeflow – orkiestracja ML na Kubernetes

Opis

Szkolenie dostarcza kompleksową wiedzę o platformie Kubeflow i jej zastosowaniu w orkiestracji procesów uczenia maszynowego na klastrach Kubernetes. Program łączy fundamentalne koncepcje zarządzania przepływami pracy ML z praktycznym wykorzystaniem możliwości Kubeflow. Uczestnicy poznają architekturę platformy oraz uczą się projektować, wdrażać i zarządzać skalonymi rozwiązaniami ML w środowisku produkcyjnym, ze szczególnym uwzględnieniem automatyzacji i optymalizacji procesów.

Profil uczestnika

• Inżynierowie ML pracujący z Kubernetes
• DevOps Engineers wspierający projekty ML
• Data Scientists zainteresowani orkiestracją ML
• Architekci rozwiązań chmurowych
• Specjaliści ds. infrastruktury ML
• Platform Engineers
• MLOps Engineers

Agenda

1. Architektura Kubeflow
• Komponenty platformy Kubeflow
• Integracja z Kubernetes
• Zarządzanie zasobami
• Konfiguracja środowiska
2. Pipeline’y i przepływy pracy
• Projektowanie przepływów ML
• Komponenty pipeline’ów
• Automatyzacja procesów
• Zarządzanie danymi
3. Skalowanie i optymalizacja
• Distributed training
• Zarządzanie obciążeniem
• Optymalizacja zasobów
• Monitoring wydajności
4. Wdrażanie i zarządzanie
• Continuous Deployment
• Zarządzanie wersjami
• Monitoring produkcyjny
• Rozwiązywanie problemów

Korzyści

Uczestnik rozwinie zaawansowane umiejętności w zakresie projektowania i wdrażania rozwiązań ML na platformie Kubeflow. Zdobędzie praktyczną wiedzę o orkiestracji procesów uczenia maszynowego w środowisku Kubernetes. Nauczy się efektywnie zarządzać zasobami i optymalizować wydajność przepływów pracy ML. Pozna techniki automatyzacji i skalowania procesów trenowania modeli. Rozwinie zdolność projektowania niezawodnych i skalowalnych pipeline’ów ML. Zyska umiejętność efektywnego monitorowania i zarządzania środowiskiem produkcyjnym ML.

Wymagane przygotowanie uczestników

• Znajomość podstaw Kubernetes
• Doświadczenie w projektach ML
• Podstawowa znajomość Docker
• Umiejętności programistyczne w Python

Zagadnienia

• Architektura Kubeflow
• Orkiestracja ML
• Pipeline’y Kubeflow
• Distributed training
• Zarządzanie zasobami
• Automatyzacja ML
• Monitoring systemów
• Optymalizacja wydajności
• Continuous Deployment
• Skalowanie rozwiązań
• Zarządzanie wersjami
• Troubleshooting

Poznaj naszą firmę