Prenez contact avec nous

Plan du cours

Introduction à la conteneurisation pour l'IA et le ML

  • Concepts fondamentaux de la conteneurisation
  • Pourquoi les conteneurs sont idéaux pour les charges de travail ML
  • Différences clés entre conteneurs et machines virtuelles

Travailler avec des images et des conteneurs Docker

  • Comprendre les images, les couches et les dépôts (registries)
  • Gérer les conteneurs pour l'expérimentation ML
  • Utiliser efficacement l'interface en ligne de commande (CLI) de Docker

Emballage des environnements ML

  • Préparer les bases de code ML pour la conteneurisation
  • Gérer les environnements et les dépendances Python
  • Intégrer le support CUDA et GPU

Création de Dockerfiles pour l'apprentissage automatique

  • Structurer les Dockerfiles pour les projets ML
  • Meilleures pratiques pour la performance et la maintenabilité
  • Utilisation de constructions multi-étapes (multi-stage builds)

Conteneurisation des modèles et des pipelines ML

  • Emballage des modèles entraînés dans des conteneurs
  • Gestion des stratégies de données et de stockage
  • Déploiement de flux de travail de bout en bout reproductibles

Exécution de services ML containerisés

  • Exposition de points d'accès API pour l'inférence des modèles
  • Échelle des services avec Docker Compose
  • Surveillance du comportement au moment de l'exécution

Considérations relatives à la sécurité et à la conformité

  • Assurer des configurations de conteneur sécurisées
  • Gérer l'accès et les identifiants
  • Gérer les actifs ML confidentiels

Déploiement dans les environnements de production

  • Publication des images dans les dépôts de conteneurs
  • Déploiement des conteneurs dans des configurations sur site ou dans le nuage
  • Gestion des versions et mise à jour des services de production

Résumé et prochaines étapes

Pré requis

  • Une compréhension des flux de travail de l'apprentissage automatique
  • De l'expérience avec Python ou des langages de programmation similaires
  • Une familiarité avec les opérations de base de la ligne de commande Linux

Public cible

  • Ingénieurs ML déployant des modèles en production
  • Scientifiques des données gérant des environnements d'expériences reproductibles
  • Développeurs d'IA créant des applications containerisées évolutives
 14 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (3)

Cours à venir

Catégories Similaires