Kursus Pelatihan MLOps di Kubernetes: CI/CD Pipelines untuk Machine Learning

Pelatihan langsung yang dipandu instruktur di Indonesia (online atau di tempat) ini ditujukan untuk para insinyur AI dan ilmuwan data tingkat lanjut dengan pengalaman menengah hingga tingkat lanjut yang ingin meningkatkan DeepSeek kinerja model, meminimalkan latensi, dan menerapkan solusi AI secara efisien menggunakan praktik modern MLOps.

Pada akhir pelatihan ini, peserta akan dapat:

• Optimalkan model DeepSeek untuk efisiensi, akurasi, dan skalabilitas.
• Terapkan praktik terbaik untuk MLOps dan versi model.
• Terapkan model DeepSeek pada infrastruktur cloud dan lokal.
• Pantau, kelola, dan tingkatkan solusi AI secara efektif.

DO180 adalah pendahuluan tentang kontainer, dasar-dasar Kubernetes, dan konsep platform Red Hat OpenShift yang berfokus pada keterampilan tangan.

Pelatihan ini dibimbing oleh instruktur dan dapat dilakukan secara online langsung atau pelatihan langsung tatap muka, ditujukan untuk para profesional teknis pemula hingga menengah yang ingin mempelajari alur kerja kontainer, primitif Kubernetes, dan cara men-deploy serta mengoperasikan aplikasi di OpenShift.

Dengan menyelesaikan pelatihan ini, peserta akan mampu:

• Membangun dan mengelola gambar kontainer dan registri dengan praktik terbaik untuk reproduksi dan keamanan.
• Men-deploy dan mengelola objek Kubernetes seperti pod, deployment, dan layanan di OpenShift.
• Menggunakan fitur OpenShift termasuk routes, buildconfigs, dan konsol web untuk mempersingkat pengantaran aplikasi.
• Menerapkan penyimpanan yang tetap, manajemen konfigurasi, dan pengelolaan rahasia untuk beban kerja berbasis keadaan.
• Menerapkan praktik keamanan dasar, RBAC, dan pemantauan untuk mempertahankan kluster dan aplikasi yang sehat.

Format Pelatihan

• Lecture dan diskusi interaktif.
• Lab tangan di lingkungan OpenShift langsung setiap hari.
• Latihan dan workshop perbaikan masalah yang didorong oleh skenario.

Opsi Kustomisasi Pelatihan

• Untuk meminta pelatihan kustom untuk kursus ini, silakan hubungi kami untuk mengatur.

Pelatihan ini dipimpin oleh instruktur dan dilakukan secara langsung (online atau tatap muka) yang ditujukan untuk insinyur yang ingin menggunakan Helm untuk mempermudah proses pemasangan dan pengelolaan aplikasi Kubernetes.

Pada akhir pelatihan ini, peserta akan dapat:

• Menginstal dan mengonfigurasi Helm.
• Membuat build aplikasi Kubernetes yang dapat direproduksi.
• Berbagi aplikasi sebagai Helm charts.
• Menjalankan aplikasi pihak ketiga yang disimpan sebagai Helm charts.
• Mengelola rilis paket Helm.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk pengembang dan ilmuwan data yang ingin membangun, menerapkan, dan mengelola alur kerja pembelajaran mesin di Kubernetes.

Pada akhir pelatihan ini, peserta akan mampu:

• Instal dan konfigurasikan Kubeflow di lokasi dan di cloud menggunakan AWS EKS (Layanan Elastis Kubernetes).
• Bangun, terapkan, dan kelola alur kerja ML berdasarkan Docker container dan Kubernetes.
• Jalankan seluruh alur pembelajaran mesin pada beragam arsitektur dan lingkungan cloud.
• Menggunakan Kubeflow untuk menelurkan dan mengelola notebook Jupyter.
• Bangun pelatihan ML, penyesuaian hyperparameter, dan penyajian beban kerja di berbagai platform.

Pelatihan ini yang dipimpin instruktur secara langsung (online atau tatap muka) ditujukan bagi insinyur yang ingin men-deploy beban kerja Machine Learning ke server AWS EC2.

Sampai akhir pelatihan ini, peserta akan mampu:

• Menginstal dan mengkonfigurasi Kubernetes, Kubeflow dan perangkat lunak lainnya yang diperlukan di AWS.
• Menggunakan EKS (Elastic Kubernetes Service) untuk mempermudah pekerjaan memulai cluster Kubernetes di AWS.
• Membuat dan men-deploy pipeline Kubernetes untuk mengotomatiskan dan mengelola model ML dalam produksi.
• Melatih dan men-deploy model ML TensorFlow di beberapa GPU dan mesin yang berjalan secara paralel.
• Memanfaatkan layanan AWS lainnya untuk memperluas aplikasi ML.

Pelatihan ini yang dipimpin instruktur, langsung (online atau tatap muka) ditujukan kepada para insinyur yang ingin mengimplementasikan beban kerja Machine Learning ke cloud Azure.

Pada akhir pelatihan ini, peserta akan dapat:

• Memasang dan mengkonfigurasi Kubernetes, Kubeflow, dan perangkat lunak lainnya yang dibutuhkan di Azure.
• Menggunakan Azure Kubernetes Service (AKS) untuk memudahkan pekerjaan menginisialisasi sebuah kluster Kubernetes di Azure.
• Membuat dan mengimplementasikan sebuah pipa Kubernetes untuk mengotomatisasi dan mengelola model ML di produksi.
• Melatih dan mengimplementasikan model TensorFlow ML di beberapa GPU dan mesin yang berjalan secara paralel.
• Memanfaatkan layanan AWS lainnya yang dikelola untuk memperluas aplikasi ML.

Kubeflow adalah platform open-source yang dirancang untuk mempermudah pembuatan, pelatihan, dan penyebaran beban kerja machine learning di Kubernetes.

Pelatihan ini dipandu oleh instruktur (online atau tatap muka) ditujukan bagi profesional tingkat pemula hingga menengah yang ingin membangun alur kerja ML yang handal menggunakan Kubeflow.

Setelah selesai pelatihan ini, peserta akan mendapatkan keterampilan untuk:

• Menavigasi ekosistem dan komponen inti Kubeflow.
• Membuat alur kerja yang dapat direproduksi dengan Kubeflow Pipelines.
• Menjalankan pekerjaan pelatihan skalabel di Kubernetes.
• Menyajikan model machine learning secara efisien menggunakan Kubeflow Serving.

Format Pelatihan

• Penyajian yang dipandu dan diskusi kolaboratif.
• Latihan praktik dengan komponen Kubeflow asli.
• Latihan praktis untuk membangun alur kerja ML end-to-end.

Opsi Penyesuaian Pelatihan

• Versi yang disesuaikan dari pelatihan ini dapat diatur untuk sesuai dengan tumpukan teknologi dan persyaratan proyek tim Anda.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk pengembang dan ilmuwan data yang ingin membangun, menerapkan, dan mengelola alur kerja pembelajaran mesin di Kubernetes.

Pada akhir pelatihan ini, peserta akan mampu:

• Instal dan konfigurasikan Kubeflow di lokasi dan di cloud.
• Bangun, terapkan, dan kelola alur kerja ML berdasarkan Docker container dan Kubernetes.
• Jalankan seluruh alur pembelajaran mesin pada beragam arsitektur dan lingkungan cloud.
• Menggunakan Kubeflow untuk menelurkan dan mengelola notebook Jupyter.
• Bangun pelatihan ML, penyesuaian hyperparameter, dan penyajian beban kerja di berbagai platform.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk pengembang perangkat lunak tingkat pemula hingga menengah dan DevOps profesional yang ingin mempelajari cara mengatur dan mengelola lingkungan lokal Kubernetes menggunakan Minikube.

Pada akhir pelatihan ini, peserta akan mampu:

• Instal dan konfigurasikan Minikube di mesin lokalnya.
• Memahami konsep dasar dan arsitektur Kubernetes.
• Terapkan dan kelola container menggunakan kubectl dan dasbor Minikube.
• Siapkan solusi penyimpanan dan jaringan persisten untuk Kubernetes.
• Manfaatkan Minikube untuk mengembangkan, menguji, dan men-debug aplikasi.

Pelatihan langsung yang dipimpin instruktur di Indonesia (online atau di lokasi) ditujukan untuk pengembang tingkat menengah dan DevOps insinyur yang ingin menggunakan Minikube sebagai bagian dari alur kerja pengembangan mereka.

Pada akhir pelatihan ini, peserta akan mampu:

• Siapkan dan kelola lingkungan lokal Kubernetes menggunakan Minikube.
• Pahami cara men-deploy, mengelola, dan men-debug aplikasi di Minikube.
• Integrasikan Minikube ke dalam jalur integrasi dan penerapan berkelanjutan mereka.
• Optimalkan proses pengembangan mereka menggunakan fitur-fitur canggih Minikube.
• Menerapkan praktik terbaik untuk pembangunan lokal Kubernetes.

Pelatihan langsung yang dipimpin instruktur (online atau di lokasi) ini ditujukan untuk data scientist yang ingin melakukan lebih dari sekadar membuat model ML dan mengoptimalkan proses pembuatan, pelacakan, dan penerapan model ML.

Pada akhir pelatihan ini, peserta akan mampu:

• Instal dan konfigurasikan MLflow serta pustaka dan kerangka kerja ML terkait.
• Menghargai pentingnya keterlacakan, kemampuan reproduksi, dan kemampuan penerapan model ML
• Terapkan model ML ke cloud publik, platform, atau server lokal yang berbeda.
• Skalakan proses penerapan ML untuk mengakomodasi banyak pengguna yang berkolaborasi dalam sebuah proyek.
• Siapkan registri pusat untuk bereksperimen, mereproduksi, dan menerapkan model ML.

Pelatihan langsung yang dipandu instruktur di Indonesia (online atau tatap muka) ini ditujukan bagi insinyur yang ingin mengevaluasi pendekatan dan alat yang tersedia saat ini untuk membuat keputusan cerdas tentang jalur maju dalam mengadopsi MLOps di organisasi mereka.

Pada akhir pelatihan, peserta akan dapat:

• Menginstal dan mengonfigurasi berbagai kerangka kerja dan alat MLOps.
• Menyusun tim yang tepat dengan keterampilan yang tepat untuk membangun dan mendukung sistem MLOps.
• Menyiapkan, memvalidasi, dan menversi data untuk digunakan oleh model ML.
• Memahami komponen dari Pipelines ML dan alat yang diperlukan untuk membangunnya.
• Mencoba berbagai kerangka kerja dan server pembelajaran mesin untuk penyebaran ke produksi.
• Memoperasikan seluruh proses Pembelajaran Mesin sehingga dapat diulangi dan dipelihara.

Pelatihan ini yang dipimpin oleh instruktur (online langsung atau tatap muka) ditujukan bagi insinyur machine learning yang ingin menggunakan Azure Machine Learning dan Azure DevOps untuk memudahkan praktik MLOps.

Di akhir pelatihan ini, peserta akan mampu untuk:

• Membangun workflow dan model machine learning yang dapat diulang.
• Mengelola siklus hidup machine learning.
• Melacak dan melaporkan sejarah versi model, aset, dan lain-lain.
• Mendeploy model machine learning siap produksi di mana saja.