Temario del curso
Introducción a la optimización y despliegue de modelos
- Visión general de los modelos DeepSeek y desafíos de despliegue
- Comprensión de la eficiencia de los modelos: velocidad frente a precisión
- Métricas clave de rendimiento para modelos de IA
Optimización de modelos DeepSeek para el rendimiento
- Técnicas para reducir la latencia de inferencia
- Estrategias de cuantización y poda de modelos
- Uso de bibliotecas optimizadas para modelos DeepSeek
Implementación de MLOps para modelos DeepSeek
- Control de versiones y seguimiento de modelos
- Automatización del reentrenamiento y despliegue de modelos
- Pipelines de CI/CD para aplicaciones de IA
Despliegue de modelos DeepSeek en entornos en la nube y locales
- Elección de la infraestructura adecuada para el despliegue
- Despliegue con Docker y Kubernetes
- Gestión del acceso a API y autenticación
Escalado y monitoreo de despliegues de IA
- Estrategias de balanceo de carga para servicios de IA
- Monitoreo de la deriva del modelo y degradación del rendimiento
- Implementación de escalado automático para aplicaciones de IA
Garantía de seguridad y cumplimiento en despliegues de IA
- Gestión de la privacidad de datos en flujos de trabajo de IA
- Cumplimiento de las regulaciones empresariales de IA
- Mejores prácticas para despliegues seguros de IA
Tendencias futuras y estrategias de optimización de IA
- Avances en técnicas de optimización de modelos de IA
- Tendencias emergentes en MLOps e infraestructura de IA
- Elaboración de una hoja de ruta para el despliegue de IA
Resumen y próximos pasos
Requerimientos
- Experiencia en el despliegue de modelos de IA e infraestructura en la nube
- Domina de un lenguaje de programación (por ejemplo, Python, Java, C++)
- Comprensión de MLOps y optimización del rendimiento de modelos
Público objetivo
- Ingenieros de IA que optimizan y despliegan modelos DeepSeek
- Científicos de datos que trabajan en el ajuste del rendimiento de IA
- Especialistas en aprendizaje automático que gestionan sistemas de IA basados en la nube
Testimonios (2)
el ecosistema de ML no solo incluye MLFlow sino también Optuna, hyperops, Docker y docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curso - MLflow
Traducción Automática
Disfruté participando en el entrenamiento de Kubeflow, que se llevó a cabo de manera remota. Este entrenamiento me permitió consolidar mi conocimiento sobre los servicios de AWS, K8s y todas las herramientas de DevOps relacionadas con Kubeflow, que son las bases necesarias para abordar el tema adecuadamente. Quiero agradecer a Malawski Marcin por su paciencia y profesionalismo en la formación y los consejos sobre mejores prácticas. Malawski aborda el tema desde diferentes ángulos, utilizando diferentes herramientas de despliegue como Ansible, EKS kubectl y Terraform. Ahora estoy definitivamente convencido de que me dirijo hacia el campo de aplicación correcto.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Curso - Kubeflow
Traducción Automática
