Hubungi Kami

Kerangka Materi

Pengenalan CI/CD untuk Alur Kerja AI

  • Tantangan unik dalam alur kerja pengiriman model AI.
  • Membandingkan proses DevOps tradisional dan MLOps.
  • Komponen inti dari deployment model terotomasi.

Kontainerisasi Model AI dengan Docker

  • Mendesain Dockerfile yang efisien untuk inferensi ML.
  • Mengelola dependensi dan artefak model.
  • Membangun image yang aman dan teroptimasi.

Menyiapkan Pipeline CI/CD

  • Opsi tooling CI/CD dan ekosistemnya.
  • Membangun pipeline untuk pengemasan model terotomasi.
  • Mempervalidasi pipeline dengan pemeriksaan otomatis.

Menguji Model AI dalam CI

  • Mengotomasi pemeriksaan integritas data.
  • Unit dan integration test untuk layanan model.
  • Validasi performa dan regresi.

Deployment Otomatis Layanan AI Berbasis Docker

  • Deploy kontainer AI ke lingkungan cloud.
  • Menerapkan strategi rollout blue-green dan canary.
  • Strategi rollback untuk deployment yang gagal.

Mengelola Versi dan Artefak Model

  • Menggunakan registry untuk kontrol versi model dan kontainer.
  • Pemberian tag, penandatanganan, dan promosi image.
  • Koordinasi pembaruan model antar layanan.

Monitoring dan Observabilitas dalam CI/CD untuk AI

  • Melacak performa pipeline dan model.
  • Pemberitahuan (alerting) untuk build yang gagal atau drift model.
  • Tracing perilaku inferensi di berbagai lingkungan.

Scaling Pipeline CI/CD untuk Sistem AI

  • Memparalelkan build untuk model berukuran besar.
  • Mengoptimalkan sumber daya komputasi dan penyimpanan.
  • Integrasi runner terdistribusi dan jarak jauh.

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Memahami siklus hidup model machine learning.
  • Pengalaman dengan kontainerisasi Docker.
  • Keakraban dengan konsep dan alur kerja CI/CD.

Audience

  • Ingeniur DevOps.
  • Tim MLOps.
  • Ingeniur AI-ops.
 21 Jam

Jumlah Peserta


Harga per Peserta

Kursus Mendatang

Kategori Terkait