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 de IA
- Resumen del ciclo de vida del despliegue de IA
- Desafíos en el despliegue de agentes de IA a producción
- Consideraciones clave: escalabilidad, confiabilidad y mantenibilidad
Contenerización y orquestación
- Introducción a Docker y los fundamentos de la contenerización
- Uso de Kubernetes para la orquestación de agentes de IA
- Mejores prácticas para gestionar aplicaciones de IA contenerizadas
Servicio de modelos de IA (Serving)
- Resumen de los marcos de trabajo para el servicio de modelos (p. ej., TensorFlow Serving, TorchServe)
- Creación de APIs REST para la inferencia de agentes de IA
- Manejo de predicciones por lotes frente a predicciones en tiempo real
CI/CD para agentes de IA
- Configuración de pipelines de CI/CD para despliegues de IA
- Automatización de la prueba y validación de modelos de IA
- Actualizaciones progresivas y gestión del control de versiones
Monitoreo y optimización
- Implementación de herramientas de monitoreo para el rendimiento de agentes de IA
- Análisis de la deriva del modelo (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 los pipelines de despliegue de IA y APIs
- Auditoría y registro de eventos (logging) para aplicaciones de IA
Actividades prácticas
- Contenerización de un agente de IA con Docker
- Despliegue de un agente de IA utilizando Kubernetes
- Configuración del monitoreo del rendimiento de la IA y el uso de recursos
Resumen y siguientes pasos
Requerimientos
- Dominio del lenguaje de programación 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
14 Horas
