CI/CD voor AI: Automatisering van Docker-gebaseerde modelbouwen en -deployments Training Cursus

Introductie tot CI/CD voor AI-workflows

• Unieke uitdagingen van AI-modelleveringspipelines
• Vergelijking van traditionele DevOps- en MLOps-processen
• Belangrijkste componenten van geautomatiseerd modeldeployen

Containeriseren van AI-modellen met Docker

• Ontwerpen van efficiënte Dockerfiles voor ML-inferentie
• Beheren van afhankelijkheden en modelartefacten
• Bouwen van veilige en geoptimaliseerde images

Instellen van CI/CD-pipelines

• Opties voor CI/CD-tooling en hun ecosystemen
• Bouwen van pipelines voor geautomatiseerde modelverpakking
• Valideren van pipelines met geautomatiseerde controles

Testen van AI-modellen in CI

• Automatiseren van dataintegriteitscontroles
• Eenheidstests en integratietests voor modelservices
• Prestatie- en regressiavalidatie

Geautomatiseerde deployment van Docker-gebaseerde AI-services

• Deployen van AI-containers naar cloudomgevingen
• Implementeren van blue-green- en canary-rollouts
• Rollback-strategieën voor mislukte deployments

Beheren van modelversies en artefacten

• Gebruik van registries voor versiebeheer van modellen en containers
• Taggen, ondertekenen en promoveren van images
• Coördineren van modelupdates over services heen

Monitoring en observeerbaarheid in CI/CD voor AI

• Volgen van pipeline- en modelprestaties
• Melden bij mislukte bouws of modeldrift
• Traceability van inferentiegedrag over omgevingen heen

Schaalbare CI/CD-pipelines voor AI-systemen

• Paralleliseren van bouws voor grote modellen
• Optimaliseren van compute- en opslagbronnen
• Integreren van gedistribueerde en remote runners

Samenvatting en vervolgstappen