Prenez contact avec nous

Plan du cours

Introduction aux opérations Kubernetes améliorées par l'IA

  • Pourquoi l'IA est cruciale pour les opérations de clusters modernes
  • Les limites de la logique traditionnelle de mise à l'échelle et d'orchestration
  • Concepts clés de l'apprentissage automatique (ML) pour la gestion des ressources

Fondamentaux de la gestion des ressources Kubernetes

  • Principes fondamentaux d'allocation du CPU, du GPU et de la mémoire
  • Comprendre les quotas, les limites et les demandes (requests)
  • Identifier les goulots d'étranglement et les inefficacités

Approches d'apprentissage automatique pour l'orchestration

  • Modèles supervisés et non supervisés pour le placement des charges de travail
  • Algorithmes prédictifs pour la demande de ressources
  • Utilisation des fonctionnalités ML dans les orchestrateurs personnalisés

Apprentissage par renforcement pour un auto-scaling intelligent

  • Comment les agents d'apprentissage par renforcement apprennent du comportement du cluster
  • Conception de fonctions de récompense pour l'efficacité
  • Élaboration de stratégies d'auto-scaling pilotées par l'apprentissage par renforcement

Auto-scaling prédictif avec métriques et télémétrie

  • Utilisation des données Prometheus pour la prévision
  • Application de modèles de séries temporelles à l'auto-scaling
  • Évaluation de la précision des prévisions et ajustement des modèles

Mise en œuvre d'outils d'optimisation pilotés par l'IA

  • Intégration des frameworks ML avec les contrôleurs Kubernetes
  • Déploiement de boucles de contrôle intelligentes
  • Extension de KEDA pour une prise de décision assistée par l'IA

Stratégies d'optimisation des coûts et de la performance

  • Réduction des coûts de calcul grâce à la mise à l'échelle prédictive
  • Amélioration de l'utilisation du GPU par un placement piloté par le ML
  • Équilibrage de la latence, du débit et de l'efficacité

Scénarios pratiques et cas d'utilisation réels

  • Auto-scaling d'applications à forte charge avec l'IA
  • Optimisation des pools de nœuds hétérogènes
  • Application du ML aux environnements multi-locataires

Résumé et prochaines étapes

Pré requis

  • Une compréhension des fondamentaux de Kubernetes
  • De l'expérience avec le déploiement d'applications conteneurisées
  • Une familiarité avec les opérations de cluster et la gestion des ressources

Audience cible

  • Les ingénieurs SRE travaillant avec des systèmes distribués à grande échelle
  • Les opérateurs Kubernetes gérant des charges de travail à forte demande
  • Les ingénieurs plateforme optimisant l'infrastructure de calcul
 21 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (3)

Cours à venir

Catégories Similaires