MLOps auf Kubernetes: CI/CD-Pipelines für maschinelles Lernen Schulung

Am Ende dieser Schulung werden die Teilnehmer_innen:

• eigene Docker-Images erstellen können.
• viele Docker-Anwendungen bereitstellen und verwalten können.
• verschiedene Container-Orchestrierungslösungen evaluieren und die am besten geeignete auswählen können.
• einen Continuous-Integration-Prozess für Docker-Anwendungen einrichten können.
• Docker-Anwendungen in bestehende Continuous-Integration-Workflows integrieren können.
• ihre Docker-Anwendungen absichern können.
• Kubernetes verwenden können, um verschiedene Umgebungen innerhalb desselben Clusters zu bereitstellen und zu verwalten.
• einen Kubernetes-Cluster sichern, skalieren und überwachen können.

Diese von Instruktoren geleitete, Live-Schulung in Schweiz (Online oder vor Ort) richtet sich an KI-Ingenieure und Data Scientists auf fortgeschrittenem Niveau mit mittleren bis fortgeschrittenen Kenntnissen, die ihre Fähigkeit zur Leistungssteigerung von DeepSeek-Modellen, zur Minimierung der Latenzzeit und zur effizienten Bereitstellung von KI-Lösungen mithilfe moderner MLOps-Praktiken verbessern möchten.

Nach Abschluss dieser Schulung können die Teilnehmer:

• DeepSeek-Modelle hinsichtlich Effizienz, Genauigkeit und Skalierbarkeit optimieren.
• Beste Praktiken für MLOps und Modellversionierung umsetzen.
• DeepSeek-Modelle in Cloud- und On-Premise-Infrastrukturen bereitstellen.
• KI-Lösungen überwachen, warten und effektiv skalieren.

Dieses von Dozenten geleitete Live-Training in Schweiz (online oder vor Ort) richtet sich an erfahrene Plattformingenieure und DevOps-Experten, die ihre Fähigkeiten in der Skalierung von Anwendungen mit Microservices und Kubernetes vertiefen möchten.

Nach Abschluss dieses Trainings können die Teilnehmer:*

• skalierbare Microservice-Architekturen entwerfen und implementieren.
• Anwendungen auf Kubernetes-Clustern bereitstellen und verwalten.
• Helm-Charts für eine effiziente Dienstbereitstellung nutzen.
• die Gesundheit von Microservices in der Produktionsumgebung überwachen und instand halten.
• Bewährte Verfahren für Sicherheit und Compliance in einer Kubernetes-Umgebung anwenden.

Diese Dozent:innen-gestützte Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Kubernetes-Praktiker, die sich auf die CKS-Prüfung vorbereiten möchten.

Nach Abschluss der Schulung wissen die Teilnehmenden, wie sie Kubernetes-Umgebungen und containerbasierte Anwendungen in den verschiedenen Phasen des Anwendungslifecycles – Build, Deployment und Runtime – absichern können.

Dieses von einem Dozenten geleitete Live-Training in Schweiz (online oder vor Ort) richtet sich an Ingenieurinnen und Ingenieure, die Helm nutzen möchten, um den Prozess der Installation und Verwaltung von Kubernetes-Anwendungen zu vereinfachen.

Am Ende dieses Trainings können die Teilnehmenden:

• Helm installieren und konfigurieren.
• Reproduzierbare Builds von Kubernetes-Anwendungen erstellen.
• Anwendungen als Helm-Charts teilen.
• Drittanbieteranwendungen, die als Helm-Charts gespeichert sind, ausführen.
• Releases von Helm-Paketen verwalten.

Diese präsentierte Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Entwickler und Data Scientists, die auf Kubernetes Machine-Learning-Workflows erstellen, bereitstellen und verwalten möchten.

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• Kubeflow On-Premises und in der Cloud zu installieren und zu konfigurieren.
• ML-Workflows auf Basis von Docker-Containern und Kubernetes zu erstellen, bereitzustellen und zu verwalten.
• Komplette Machine-Learning-Pipelines auf verschiedenen Architekturen und Cloud-Umgebungen auszuführen.
• Kubeflow zur Erstellung und Verwaltung von Jupyter-Notebooks zu verwenden.
• ML-Training, Hyperparameter-Tuning und Serving-Workloads über mehrere Plattformen hinweg zu realisieren.

Diese durch einen Dozenten geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Softwareentwickler und DevOps-Profis vom Anfänger- bis zum fortgeschrittenen Niveau, die lernen möchten, wie sie eine lokale Kubernetes-Umgebung mit Minikube einrichten und verwalten können.

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• Minikube auf ihrem lokalen Computer zu installieren und zu konfigurieren.
• die grundlegenden Konzepte und die Architektur von Kubernetes zu verstehen.
• Container mit kubectl und dem Minikube-Dashboard bereitzustellen und zu verwalten.
• persistente Speicher- und Netzwerklösungen für Kubernetes einzurichten.
• Minikube zur Entwicklung, zum Testen und zur Fehlersuche von Anwendungen zu nutzen.

Diese instruktionsgeleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Entwickler und DevOps-Ingenieure mit mittlerem Erfahrungsniveau, die Minikube als Teil ihres Entwicklungsworkflows nutzen möchten.

Nach Abschluss dieser Schulung werden die Teilnehmer in der Lage sein:

• eine lokale Kubernetes-Umgebung mit Minikube einzurichten und zu verwalten.
• zu verstehen, wie Anwendungen auf Minikube bereitgestellt, verwaltet und debuggt werden können.
• Minikube in ihre Continuous-Integration- und Deployment-Pipelines zu integrieren.
• Ihren Entwicklungsprozess mit den erweiterten Funktionen von Minikube zu optimieren.
• Best Practices für die lokale Kubernetes-Entwicklung anzuwenden.

Dieses unter Anleitung durchgeführte Live-Training in Schweiz (online oder vor Ort) richtet sich an Ingenieurinnen und Ingenieure, die die aktuell verfügbaren Ansätze und Werkzeuge evaluieren möchten, um eine fundierte Entscheidung über den weiteren Weg zur Einführung von MLOps in ihrer Organisation zu treffen.

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• Verschiedene MLOps-Frameworks und -Werkzeuge zu installieren und zu konfigurieren.
• Ein Team mit den richtigen Kompetenzen für den Aufbau und die Unterstützung eines MLOps-Systems zusammenzustellen.
• Daten für die Nutzung durch ML-Modelle vorzubereiten, zu validieren und zu versionieren.
• Die Komponenten einer ML-Pipeline sowie die dafür benötigten Werkzeuge zu verstehen.
• Verschiedene Frameworks und Server für maschinelles Lernen zur Bereitstellung in der Produktion zu evaluieren.
• Den gesamten Prozess des maschinellen Lernens betriebsbereit zu machen, sodass er reproduzierbar und wartbar ist.