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
Nos clients témoignent (3)
About the microservices and how to maintenance kubernetes
Yufri Isnaini Rochmat Maulana - Bank Indonesia
Formation - Advanced Platform Engineering: Scaling with Microservices and Kubernetes
Comment les formateurs transmettent-ils efficacement leurs connaissances
Vu Thoai Le - Reply Polska sp. z o. o.
Formation - Certified Kubernetes Administrator (CKA) - exam preparation
Traduction automatique
Les connaissances et la patience de l'animateur pour répondre à nos questions.
Calin Avram - REGNOLOGY ROMANIA S.R.L.
Formation - Deploying Kubernetes Applications with Helm
Traduction automatique