Szkolenie 5-dniowe
AI - wdrażanie modeli
Podczas szkolenia opanujesz kompleksowe wdrażanie modeli AI, z wykorzystaniem popularnych narzędzi.
Terminy i cena szkolenia
Sprawdź najbliższe terminy szkolenia i wybierz tryb nauki, który najlepiej odpowiada Twoim preferencjom.
Cena: 4 750 zł netto + 23% VAT (5 842 zł brutto/os)
Tryb weekendowy
Najbliższy termin: 24.05.2025 r.2 weekendy po 8 godzin (9:00-17:00) + 1 sobota.
3x sobota i 2x niedziela.
Cele szkolenia
Zrozumienie całościowego procesu wdrażania modeli sztucznej inteligencji.
Nabycie wiedzy na temat najlepszych praktyk implementacji API z wykorzystaniem FastAPI.
Zgłębienie najlepszych praktyk pracy z kontenerami przy użyciu Dockera.
Opanowanie najlepszych praktyk podczas wdrażania w klastrach Kubernetes.
Automatyzacja całego procesu wdrożeniowego.
Dla kogo jest to szkolenie?
Szkolenie jest skierowane do doświadczonych data scientistów oraz programistów, którzy chcieliby rozwinąć się w procesach wdrożeniowych modeli uczenia maszynowego i AI.
Wymagania
Szkolenie nie jest kierowane dla osób początkujących - wymagane co najmniej roczne doświadczenie programistyczne.
Dobra znajomość języka Python.
Podstawowa znajomość zagadnień sieciowych i protokołu HTTP.
Podstawowa znajomość środowiska Linux.
Podstawowa znajomość uczenia maszynowego.
Dlaczego warto wziąć udział w szkoleniu?
Szkolenie jest w pełni dostosowane do specyfiki wdrażania modeli uczenia maszynowego.
Realizacja projektu w podejściu end-to-end, obejmująca implementację API, konteneryzację oraz wdrażanie na klastrze Kubernetes, z automatyzacją procesów w CICD.
Szkolenie ma formę warsztatową, skupiając się na praktycznych ćwiczeniach, z minimalną ilością niezbędnej teorii.
Program szkolenia
1. Wprowadzenie do wdrożenia modeli uczenia maszynowego
- ✔️ Charakterystyka wdrożenia
- ✔️ Problemy z wdrożeniem modeli uczenia maszynowego
- ✔️ Różne sposoby wdrożenia modeli
2. API (FastAPI)
- ✔️ Implementacja API dla modeli uczenia maszynowego
- ✔️ Protokół HTTP
- ✔️ Type Annotations i jak wykorzystywane jest w FastAPI
- ✔️ Schematy Pydantic
- ✔️ Czym jest REST
- ✔️ Cache'owanie w API
- ✔️ Zapisy i odczyt z baz danych
- ✔️ Przetwarzanie asynchroniczne
3. Kontenery (Docker)
- ✔️ Czym jest kontener - zalety i wady
- ✔️ Budowa obrazów przy użyciu Dockerfile
- ✔️ Warstwy w Dockerze
- ✔️ Cache'owanie i przyśpieszenie budowy obrazów
- ✔️ Praca z kontenerem i jego debugowanie
4. Wdrożenie na produkcję (Kubernetes)
- ✔️ Czym jest Kubernetes - zalety i wady
- ✔️ Przegląd narzędzi w celach uczenia maszynowego powstałych wokół Kubernetesa
- ✔️ Namespaces - przestrzenie w klastrze
- ✔️ Pod - podstawowa jednostka alokacji procesów w klastrze
- ✔️ Deployment - zarządzanie liczbą replik serwisów wraz ze sposobem ich aktualizacji
- ✔️ Service - konfiguracja komunikacji oraz sposoby na udostępnienie serwisu
- ✔️ Ingress - przekierowywanie zapytań do serwisów znajdujących się na klastrze
- ✔️ Health, Readiness, Startup Probing - kontrolowanie poprawnego funkcjonowania serwisów
- ✔️ Requests, Limits - Ustalanie wymaganych zasobów na serwisach
- ✔️ HorizontalPodAutoscaler - konfiguracja automatycznego skalowania serwisów
- ✔️ Przeprowadzanie testów obciążeniowych
5. Automatyzacja (CICD)
- ✔️ Definiowanie pipeline'ów
- ✔️ Zrównoleglanie kroków
- ✔️ Continuous Integration - lintowanie, skanowanie, uruchamianie testów
- ✔️ Continuous Deployment - automatyczna budowa obrazów, wdrożenie na środowiska dev/prod
Marcin Rybiński
Zajmuje się rozwijaniem, wdrażaniem, monitorowaniem i utrzymywaniem algorytmów uczenia maszynowego do różnych zastosowań w branży edutech. Specjalizuje i rozwija się w zagadnieniach MLOps, związanych z wdrażaniem oraz utrzymywaniem rozwiązań opartych o sztuczną inteligencję.
Kursy, na których prowadzi zajęcia:
