聯繫我們

課程簡介

AI部署簡介

  • AI部署生命週期概覽
  • 部署AI代理至生產環境的挑戰
  • 關鍵考量:擴展性、可靠性與可維護性

容器化與編排

  • Docker與容器化基礎介紹
  • 使用Kubernetes進行AI代理編排
  • 管理容器化AI應用程式的最佳實踐

AI模型服務

  • 模型服務框架概覽(例如:TensorFlow Serving、TorchServe)
  • 建構AI代理推論的REST API
  • 處理批次與即時預測

AI代理的CI/CD

  • 設定AI部署的CI/CD管線
  • 自動化AI模型的測試與驗證
  • 滾動更新與版本控制管理

監控與最佳化

  • 實作AI代理效能監控工具
  • 分析模型漂移與再訓練需求
  • 最佳化資源使用率與擴展性

安全性與治理

  • 確保符合資料隱私法規
  • 強化AI部署管線與API的安全性
  • AI應用程式的稽核與日誌記錄

實作活動

  • 使用Docker容器化AI代理
  • 使用Kubernetes部署AI代理
  • 設定AI效能與資源使用的監控

總結與下一步

最低要求

  • 熟練Python程式語言
  • 理解機器學習工作流
  • 熟悉Docker等容器化工具
  • 具備DevOps實務經驗(建議)

受眾

  • MLOps工程師
  • DevOps專業人員
 14 小時

人數


每位參與者的報價

即將到來的課程

課程分類