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 les conteneurs et les machines virtuelles

Travail avec les images et conteneurs Docker

  • Comprendre les images, les couches et les registres
  • Gérer les conteneurs pour l'expérimentation ML
  • Utiliser efficacement la CLI Docker

Empaquetage des environnements ML

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

Construction de Dockerfiles pour l'apprentissage automatique

  • Structurer les Dockerfiles pour les projets ML
  • Meilleures pratiques pour la performance et la maintenabilité
  • Utiliser les builds multi-étapes

Conteneurisation des modèles et pipelines ML

  • Empaqueter les modèles entraînés dans des conteneurs
  • Gérer les stratégies de données et de stockage
  • Déployer des flux de travail reproductibles de bout en bout

Exécution des services ML conteneurisés

  • Exposer des points de terminaison d'API pour l'inférence de modèles
  • Mettre à l'échelle les services avec Docker Compose
  • Surveiller le comportement au moment de l'exécution

Considérations en matière de sécurité et de conformité

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

Déploiement dans des environnements de production

  • Publier des images dans des registres de conteneurs
  • Déployer des conteneurs dans des installations sur site ou dans le cloud
  • Gestion des versions et mise à jour des services de production

Résumé et prochaines étapes

Pré requis

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

Public cible

  • Ingénieurs ML déployant des modèles en production
  • Data scientists gérant des environnements d'expérimentation reproductibles
  • Développeurs IA créant des applications conteneurisées évolutives
 14 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (3)

Cours à venir

Catégories Similaires