Schulungsübersicht

Einführung in die AI-Deployment

  • Überblick über den Lebenszyklus der AI-Deployment
  • Herausforderungen beim Deployment von AI-Agenten in die Produktion
  • Wichtige Aspekte: Skalierbarkeit, Zuverlässigkeit und Wartbarkeit

Containerisierung und Orchestrierung

  • Einführung in Docker und Grundlagen der Containerisierung
  • Verwendung von Kubernetes zur Orchestrierung von AI-Agenten
  • Best Practices für die Verwaltung containerbasierter AI-Anwendungen

Bereitstellung von AI-Modellen

  • Überblick über Model Serving Frameworks (z.B. TensorFlow Serving, TorchServe)
  • Erstellen von REST APIs für die Inferenz von AI-Agenten
  • Umgang mit Batch- vs. Echtzeitschlüssen

CI/CD für AI-Agenten

  • Einrichtung von CI/CD-Pipelines für AI-Deployments
  • Automatisierung der Tests und Validierung von AI-Modellen
  • Rollout-Updates und Versionsverwaltung

Überwachung und Optimierung

  • Implementierung von Überwachungs-Tools für die Leistung von AI-Agenten
  • Analyse von Modelldrift und Bedarf an Wiedertrainings
  • Optimierung der Ressourcenverwendung und Skalierbarkeit

Sicherheit und Governance

  • Gewährleistung der Einhaltung von Datenschutzvorschriften
  • Sichern von AI-Deployment-Pipelines und APIs
  • Audits und Logging für AI-Anwendungen

Praktische Aktivitäten

  • Containerisierung eines AI-Agenten mit Docker
  • Deployment eines AI-Agents mithilfe von Kubernetes
  • Einrichtung der Überwachung für die Leistung und Ressourcenverwendung von AI-Agenten

Zusammenfassung und Nächste Schritte

Voraussetzungen

  • Fachkenntnisse in Python-Programmierung
  • Verständnis der Machine-Learning-Abläufe
  • Kenntnisse von Containerisierungs-Tools wie Docker
  • Erfahrung mit DevOps-Praktiken (empfohlen)

Zielgruppe

  • MLOps-Ingenieure
  • DevOps-Professionals
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien