感谢您发送咨询！我们的团队成员将很快与您联系。
感谢您发送预订！我们的团队成员将很快与您联系。
课程时长 21 小时
课程大纲
CI/CD在AI工作流中的简介
- AI模型交付管道的独特挑战
- 比较传统DevOps和MLOps流程
- 自动化模型部署的核心组件
使用Docker容器化AI模型
- 为机器学习推理设计高效的Dockerfile
- 管理依赖和模型工件
- 构建安全且优化的镜像
设置CI/CD管道
- CI/CD工具选项及其生态系统
- 为自动化模型打包构建管道
- 通过自动化检查验证管道
在CI中测试AI模型
- 自动化数据完整性检查
- 模型服务的单元和集成测试
- 性能和回归验证
基于Docker的AI服务的自动化部署
- 将AI容器部署到云环境
- 实施蓝绿和金丝雀发布
- 失败部署的回滚策略
管理模型版本和工件
- 使用注册表进行模型和容器版本控制
- 标记、签名和提升镜像
- 协调跨服务的模型更新
AI的CI/CD中的监控和可观测性
- 跟踪管道和模型性能
- 针对构建失败或模型漂移发出警报
- 跨环境追踪推理行为
为AI系统扩展CI/CD管道
- 并行化大型模型的构建
- 优化计算和存储资源
- 集成分布式和远程运行器
总结和后续步骤
要求
- 了解机器学习模型生命周期
- 具有Docker容器化经验
- 熟悉CI/CD概念和管道
目标学员
- DevOps工程师
- MLOps团队
- AI运维工程师
