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 les images et les conteneurs Docker

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

Emballage des environnements ML

  • Préparation des bases de code ML pour la conteneurisation
  • Gestion des environnements Python et des dépendances
  • Intégration du support CUDA et GPU

Création de Dockerfiles pour le machine learning

  • Structuration des Dockerfiles pour les projets ML
  • Meilleures pratiques pour la performance et la maintenabilité
  • Utilisation des builds multi-étapes

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 bout-en-bout reproductibles

Exécution des services ML conteneurisés

  • Exposition de points d'accès API pour l'inférence des modèles
  • Évolutivité des services avec Docker Compose
  • Surveillance du comportement en temps d'exécution

Considérations en matière de sécurité et de conformité

  • Assurer des configurations de conteneurs sécurisées
  • Gestion des accès et des identifiants
  • Gestion des actifs ML confidentiels

Déploiement dans les environnements de production

  • Publication des images dans les registres de conteneurs
  • Déploiement des conteneurs dans des configurations on-premise ou cloud
  • Gestion des versions et mises à jour des services de production

Synthèse et étapes suivantes

Pré requis

  • Compréhension des flux de travail en machine learning
  • Expérience avec Python ou des langages de programmation similaires
  • Connaissance des opérations de base dans l'interface en ligne de commande Linux

Public cible

  • Ingénieurs ML déployant des modèles en production
  • Scientifiques des données gérant des environnements expérimentaux reproductibles
  • Développeurs IA construisant des applications conteneurisées évolutives
 14 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (3)

Cours à venir

Catégories Similaires