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.
Temario del curso
Introducción al despliegue en producción
- Principales desafíos en el despliegue de modelos afinados.
- Diferencias entre entornos de desarrollo y producción.
- Herramientas y plataformas para el despliegue de modelos.
Preparación de los modelos para el despliegue
- Exportación de modelos en formatos estándar (ONNX, TensorFlow SavedModel, etc.).
- Optimización de los modelos para latencia y capacidad de procesamiento.
- Pruebas de los modelos con casos extremos y datos reales.
Contenerización para el despliegue de modelos
- Introducción a Docker.
- Creación de imágenes de Docker para modelos de ML.
- Buenas prácticas para la seguridad y eficiencia de los contenedores.
Escalar despliegues con Kubernetes
- Introducción a Kubernetes para cargas de trabajo de inteligencia artificial.
- Configuración de clústeres de Kubernetes para el alojamiento de modelos.
- Balanceo de carga y escalado horizontal.
Supervisión y mantenimiento de modelos
- Implementación de la supervisión con Prometheus y Grafana.
- Registro automatizado para el seguimiento de errores y rendimiento.
- Pipelines de reentrenamiento para abordar la deriva del modelo y las actualizaciones.
Garantía de seguridad en producción
- Seguridad de las API para la inferencia del modelo.
- Mecanismos de autenticación y autorización.
- Abordaje de las preocupaciones sobre la privacidad de los datos.
Estudios de casos y laboratorios prácticos
- Despliegue de un modelo de análisis de sentimiento.
- Escalar un servicio de traducción automática.
- Implementación de supervisión para modelos de clasificación de imágenes.
Resumen y próximos pasos
Requerimientos
- Sólido conocimiento de los flujos de trabajo de aprendizaje automático (machine learning).
- Experiencia previa en el afinado de modelos de ML.
- Conocimiento familiar de los principios de DevOps o MLOps.
Público objetivo
- Ingenieros de DevOps.
- Practicantes de MLOps.
- Especialistas en despliegue de IA.
21 Horas
Reseñas (2)
El conocimiento y experiencia del consultor ya que se abordan los temas teóricos aplicándolos a la realidad de los procesos. El curso contiene un programa de mucho valor en la gestión de las tecnologías de información.
Luis Castro Gamboa - Cooperativa De Ahorro Y Credito Ande No. 1 R.L.
Curso - Site Reliability Engineering (SRE) Foundation®
Que fue muy claro en cada especificación
