Hubungi Kami

Kerangka Materi

Pengenalan Operasi Kubernetes yang Ditingkatkan dengan AI

  • Mengapa AI penting untuk operasional klaster modern
  • Keterbatasan logika scaling dan penjadwalan tradisional
  • Konsep kunci ML untuk manajemen sumber daya

Fondasi Manajemen Sumber Daya Kubernetes

  • Dasar-dasar alokasi CPU, GPU, dan memori
  • Memahami kuota, batasan, dan permintaan
  • Mengidentifikasi hambatan dan inefisiensi

Pendekatan Machine Learning untuk Penjadwalan

  • Model supervised dan unsupervised untuk penempatan workload
  • Algoritma prediktif untuk permintaan sumber daya
  • Menggunakan fitur ML dalam penjadwal kustom

Reinforcement Learning untuk Autoscaling Cerdas

  • Cara 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 perkiraan
  • Menerapkan model deret waktu ke autoscaling
  • Mengevaluasi akurasi prediksi dan menyesuaikan model

Menerapkan Alat Optimalisasi Berbasis AI

  • Integrasi framework ML dengan pengontrol Kubernetes
  • Men-deploy loop kendali cerdas
  • Memperluas KEDA untuk pengambilan keputusan dengan bantuan AI

Strategi Optimalisasi Biaya dan Kinerja

  • Mengurangi biaya komputasi melalui scaling prediktif
  • Meningkatkan utilisasi GPU dengan penempatan berbasis ML
  • Menyeimbangkan latensi, throughput, dan efisiensi

Skenario Praktis dan Studi Kasus Dunia Nyata

  • Autoscaling aplikasi berbeban tinggi dengan AI
  • Optimasi pool node heterogen
  • Penerapan ML ke lingkungan multi-tenant

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pemahaman tentang dasar-dasar Kubernetes
  • Pengalaman dengan deployment aplikasi berkotainer
  • Keterfakihan dengan operasional klaster dan manajemen sumber daya

Audience

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

Jumlah Peserta


Harga per Peserta

Testimoni (4)

Kursus Mendatang

Kategori Terkait