Hubungi Kami

Kerangka Materi

Persiapan Model Pembelajaran Mesin untuk Deployment

  • Mengemas model dengan Docker
  • Mengekspor model dari TensorFlow dan PyTorch
  • Pertimbangan versi serta penyimpanan model

Penyajian Model pada Kubernetes

  • Gambaran umum mengenai server inferensi
  • Menyebarkan TensorFlow Serving dan TorchServe
  • Mengatur endpoint model

Teknik Optimasi Inferensi

  • Strategi pengelompokan permintaan
  • Pengolahan permintaan secara simultan
  • Penyetelan nilai latensi serta kapasitas pemrosesan data

Autoscaling untuk Beban Kerja Pembelajaran Mesin

  • Horizontal Pod Autoscaler (HPA)
  • Vertical Pod Autoscaler (VPA)
  • Kubernetes Event-Driven Autoscaling (KEDA)

Penyediaan GPU serta Manajemen Sumber Daya

  • Mengonfigurasi node yang menggunakan GPU
  • Gambaran umum mengenai plugin perangkat NVIDIA
  • Permintaan dan batasan sumber daya bagi beban kerja ML

Strategi Rilis serta Penyebaran Model

  • Penerapan strategi blue/green deployment<\/li>
  • Pola penyebaran canary rollout
  • Pengujian A/B untuk evaluasi performa model

Monitoring dan Observabilitas Model di Lingkungan Produksi

  • Metrik kunci yang digunakan pada proses inferensi
  • Praktik pencatatan log serta tracing aktivitas sistem
  • Pembuatan dashboard dan pengaturan mekanisme alerting

Kebijakan Keamanan dan Keandalan Sistem

  • Jaminan keamanan endpoint model
  • Regulasi kebijakan jaringan serta kontrol akses
  • Cara memastikan ketersediaan sistem secara terus-menerus

Penutup dan Langkah Selanjutnya

Persyaratan

  • Pemahaman mengenai alur kerja aplikasi yang dikemas dalam kontainer
  • Pengalaman dalam membuat model pembelajaran mesin berbasis Python
  • Pengetahuan dasar tentang prinsip-prinsip Kubernetes

Target Peserta

  • Insinyur pembelajaran mesin
  • Insinyur DevOps
  • Tim pengembangan platform
 14 Jam

Jumlah Peserta


Harga per Peserta

Testimoni (4)

Kursus Mendatang

Kategori Terkait