Temario del curso
Fundamentos de la contenedorización para MLOps
- Comprensión de los requisitos del ciclo de vida de la IA.
- Conceptos clave de Docker para sistemas de IA.
- Buenas prácticas para entornos reproducibles.
Construcción de pipelines de entrenamiento de IA contenedorizados
- Empaquetado de código de entrenamiento de modelos y dependencias.
- Configuración de trabajos de entrenamiento usando imágenes Docker.
- Gestión de conjuntos de datos y artefactos en contenedores.
Contenedorización de validación y evaluación de modelos
- Reproducción de entornos de evaluación.
- Automatización de flujos de trabajo de validación.
- Captura de métricas y registros desde contenedores.
Inferencia y servicio contenedorizados
- Diseño de microservicios de inferencia.
- Optimización de contenedores de tiempo de ejecución para producción.
- Implementación de arquitecturas de servicio escalables.
Orquestación de pipelines con Docker Compose
- Coordinación de flujos de trabajo de IA multi-contenedor.
- Aislamiento de entornos y gestión de configuración.
- Integración de servicios de soporte (p. ej., seguimiento, almacenamiento).
Control de versiones y gestión del ciclo de vida de modelos de IA
- Seguimiento de modelos, imágenes y componentes de pipeline.
- Entornos de contenedores con control de versiones.
- Integración de MLflow o herramientas similares.
Despliegue y escalado de cargas de trabajo de IA
- Ejecución de pipelines en entornos distribuidos.
- Escalado de microservicios mediante enfoques nativos de Docker.
- Monitoreo de sistemas de IA contenedorizados.
CI/CD para MLOps con Docker
- Automatización de la compilación y el despliegue de componentes de IA.
- Pruebas de pipelines en entornos de preproducción (staging) contenedorizados.
- Garantía de reproducibilidad y reversión (rollbacks).
Resumen y próximos pasos
Requerimientos
- Comprensión de los flujos de trabajo de aprendizaje automático (ML).
- Experiencia con Python para el desarrollo de datos o modelos.
- Familiaridad con los fundamentos de los contenedores.
Público objetivo
- Ing. MLOps
- Profesionales de DevOps
- Equipos de plataformas de datos
Reseñas (2)
Como mencioné anteriormente, para una persona como yo (sin experiencia), esto supuso una puerta de entrada para comprender las funciones y características de estos programas, herramientas y demás.
Patrick V. Duylovski - UBB + DZI (KBC GROUP)
Curso - Docker and Kubernetes
Traducción Automática
programa de cursos estructurado en múltiples niveles.
Bert Paelinckx - Cube SoftwareSolutions
Curso - Introduction to Docker
Traducción Automática
