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.
Duración 14 horas
Temario del curso
Introducción al despliegue de IA
- Visión general del ciclo de vida del despliegue de IA
- Desafíos al desplegar agentes de IA en producción
- Consideraciones clave: escalabilidad, confiabilidad y mantenibilidad
Contenerización y orquestación
- Introducción a Docker y fundamentos de contenerización
- Uso de Kubernetes para la orquestación de agentes de IA
- Mejores prácticas para la gestión de aplicaciones de IA contenerizadas
Servicio de modelos de IA (Model Serving)
- Visión general de marcos de trabajo para servir modelos (p. ej., TensorFlow Serving, TorchServe)
- Construcción de APIs REST para la inferencia de agentes de IA
- Gestión de predicciones por lotes (batch) frente a predicciones en tiempo real
CI/CD para agentes de IA
- Configuración de pipelines de CI/CD para despliegues de IA
- Automatización de pruebas y validación de modelos de IA
- Actualizaciones progresivas (rolling updates) y gestión del control de versiones
Monitoreo y optimización
- Implementación de herramientas de monitoreo para el rendimiento de agentes de IA
- Análisis de deriva de modelos (model drift) y necesidades de reentrenamiento
- Optimización de la utilización de recursos y escalabilidad
Seguridad y gobernanza
- Aseguramiento del cumplimiento de las regulaciones de privacidad de datos
- Seguridad de pipelines de despliegue de IA y APIs
- Auditoría y registros (logging) para aplicaciones de IA
Actividades prácticas
- Contenerización de un agente de IA con Docker
- Despliegue de un agente de IA usando Kubernetes
- Configuración de monitoreo para el rendimiento de IA y el uso de recursos
Resumen y siguientes pasos
Requerimientos
- Competencia en programación con Python
- Comprensión de los flujos de trabajo de aprendizaje automático (machine learning)
- Familiaridad con herramientas de contenerización como Docker
- Experiencia con prácticas de DevOps (recomendado)
Audiencia
- Ingenieros de MLOps
- Profesionales de DevOps
