Ponte en Contacto
 Duración 14 horas

Temario del curso

Preparación de modelos de aprendizaje automático para su implementación

  • Empaquetado de modelos con Docker
  • Exportación de modelos desde TensorFlow y PyTorch
  • Consideraciones sobre versionado y almacenamiento

Servicio de modelos en Kubernetes

  • Visión general de los servidores de inferencia
  • Implementación de TensorFlow Serving y TorchServe
  • Configuración de puntos finales de modelos

Técnicas de optimización de inferencia

  • Estrategias de agrupación (batching)
  • Gestión de solicitudes concurrentes
  • Ajuste de latencia y rendimiento (throughput)

Escalado automático de cargas de trabajo de ML

  • Escala automática horizontal de pods (HPA)
  • Escala automática vertical de pods (VPA)
  • Escalado automático basado en eventos de Kubernetes (KEDA)

Provisionamiento de GPU y gestión de recursos

  • Configuración de nodos GPU
  • Visión general del complemento de dispositivos de NVIDIA
  • Solicitudes y límites de recursos para cargas de trabajo de ML

Estrategias de lanzamiento y liberación de modelos

  • Implementaciones azul/verde (blue/green)
  • Patrones de despliegue canario (canary rollout)
  • Pruebas A/B para la evaluación de modelos

Monitoreo y observabilidad de ML en producción

  • Métricas para cargas de trabajo de inferencia
  • Buenas prácticas de registro y trazabilidad
  • Tableros de control y alertas

Consideraciones de seguridad y confiabilidad

  • Seguridad de los puntos finales de modelos
  • Políticas de red y control de acceso
  • Asegurar la alta disponibilidad

Resumen y próximos pasos

Requerimientos

  • Comprensión de los flujos de trabajo de aplicaciones contenerizadas
  • Experiencia con modelos de aprendizaje automático basados en Python
  • Familiaridad con los fundamentos de Kubernetes

Público objetivo

  • Ingenieros de ML
  • Ingenieros de DevOps
  • Equipos de ingeniería de plataforma

Número de participantes


Precio por participante

Reseñas (4)

Próximos cursos

Categorías Relacionadas