Hubungi Kami
 Durasi 21 jam

Kerangka Materi

Pengantar Operasi Kubernetes yang Ditingkatkan dengan AI

  • Mengapa AI penting untuk operasi klaster modern
  • Batasan logika scaling dan penjadwalan tradisional
  • Konsep utama ML untuk manajemen sumber daya

Fondasi Manajemen Sumber Daya Kubernetes

  • Fundamental alokasi CPU, GPU, dan memori
  • Memahami kuota, batas, dan permintaan
  • Mengidentifikasi hambatan dan inefisiensi

Pendekatan Machine Learning untuk Penjadwalan

  • Model terawasi dan tak terawasi untuk penempatan workload
  • Algoritma prediktif untuk permintaan sumber daya
  • Penggunaan fitur ML dalam scheduler kustom

Reinforcement Learning untuk Autoscaling Cerdas

  • Bagaimana agen RL belajar dari perilaku klaster
  • Merancang fungsi reward untuk efisiensi
  • Membangun strategi autoscaling berbasis RL

Autoscaling Prediktif dengan Metrik dan Telemetri

  • Menggunakan data Prometheus untuk peramalan
  • Menerapkan model deret waktu untuk autoscaling
  • Mengevaluasi akurasi prediksi dan penyesuaian model

Implementasi Alat Optimasi Berbasis AI

  • Integrasi framework ML dengan controller Kubernetes
  • Deployment loop kendali cerdas
  • Eksperimen KEDA untuk pengambilan keputusan dengan bantuan AI

Strategi Optimasi Biaya dan Kinerja

  • Pengurangan biaya komputasi melalui scaling prediktif
  • Peningkatan utilisasi GPU dengan penempatan berbasis ML
  • Penyeimbangan latensi, throughput, dan efisiensi

Skenario Praktis dan Studi Kasus Dunia Nyata

  • Autoscaling aplikasi dengan beban tinggi menggunakan AI
  • Optimasi pool node heterogen
  • Penerapan ML di lingkungan multi-tenant

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pemahaman tentang konsep dasar Kubernetes
  • Pengalaman dalam deployment aplikasi berbasis container
  • Pengetahuan tentang operasi klaster dan manajemen sumber daya

Target Peserta

  • SRE yang bekerja dengan sistem terdistribusi skala besar
  • Operator Kubernetes yang mengelola workload dengan permintaan tinggi
  • Insinyur platform yang mengoptimalkan infrastruktur komputasi

Jumlah Peserta


Harga per Peserta

Testimoni (2)

Kursus Mendatang

Kategori Terkait