Prenez contact avec nous

Plan du cours

Introduction aux opérations Kubernetes enrichies par l'IA

  • Pourquoi l'IA est essentielle pour les opérations de cluster modernes
  • Limites de la logique traditionnelle de scaling et d'ordonnancement
  • Concepts clés de l'apprentissage machine pour la gestion des ressources

Fondamentaux de la gestion des ressources Kubernetes

  • Bases de l'allocation du CPU, du GPU et de la mémoire
  • Comprendre les quotas, les limites et les requêtes
  • Identifier les goulots d'étranglement et les inefficacités

Approches d'apprentissage machine pour l'ordonnancement

  • Modèles supervisés et non supervisés pour l'allocation des charges de travail
  • Algorithmes prédictifs pour la demande de ressources
  • Utilisation des fonctionnalités ML dans les planificateurs personnalisés

Apprentissage par renforcement pour un auto-scaling intelligent

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

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 prédictions 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 des performances

  • Réduction des coûts informatiques grâce au scaling prédictif
  • Amélioration de l'utilisation du GPU par un placement piloté par l'IA
  • Équilibre entre latence, débit et 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 les déploiements d'applications conteneurisées
  • Une familiarité avec les opérations de cluster et la gestion des ressources

Public 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 informatique
 21 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (3)

Cours à venir

Catégories Similaires