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 ajustados.
- Diferencias entre los entornos de desarrollo y de producción.
- Herramientas y plataformas para el despliegue de modelos.
Preparación de los modelos para su implementación
- Exportación de modelos en formatos estándar (ONNX, TensorFlow SavedModel, etc.).
- Optimización de los modelos para reducir la latencia y mejorar el rendimiento por segundo (throughput).
- Pruebas de los modelos con casos extremos y datos del mundo real.
Contenerización para el despliegue de modelos
- Introducción a Docker.
- Creación de imágenes de Docker para modelos de aprendizaje automático (ML).
- Mejores prácticas para la seguridad y eficiencia de los contenedores.
Escalar las implementaciones 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.
Monitoreo y mantenimiento de los modelos
- Implementación del monitoreo con Prometheus y Grafana.
- Registro (logging) automatizado para el seguimiento de errores y el rendimiento.
- Pipelines de reentrenamiento para abordar la deriva del modelo y realizar actualizaciones.
Garantía de la seguridad en entornos de producción
- Protección de las APIs para la inferencia de modelos.
- Mecanismos de autenticación y autorización.
- Abordaje de los problemas relacionados con la privacidad de los datos.
Estudios de casos y laboratorios prácticos
- Despliegue de un modelo de análisis de sentimientos.
- Escalado de un servicio de traducción automática.
- Implementación del monitoreo para modelos de clasificación de imágenes.
Resumen y próximos pasos
Requerimientos
- Conocimiento sólido de los flujos de trabajo de aprendizaje automático (machine learning).
- Experiencia en el ajuste (fine-tuning) de modelos de aprendizaje automático.
- Familiaridad con los principios de DevOps o MLOps.
Público objetivo
- Ingenieros de DevOps.
- Profesionales de MLOps.
- Especialistas en implementación de inteligencia artificial.
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
