Entrar em Contato
 Duração 14 horas

Programa do Curso

Fundamentos do MLOps no Kubernetes

  • Conceitos fundamentais de MLOps
  • MLOps vs. DevOps tradicional
  • Principais desafios da gestão do ciclo de vida de ML

Containerização de Cargas de Trabalho de ML

  • Empacotamento de modelos e código de treinamento
  • Otimização de imagens de contêiner para ML
  • Gestão de dependências e reprodutibilidade

CI/CD para Machine Learning

  • Estruturação de repositórios de ML para automação
  • Integração de etapas de teste e validação
  • Disparo de pipelines para retreinamento e atualizações

GitOps para Implantação de Modelos

  • Princípios e fluxos de trabalho GitOps
  • Uso do Argo CD para implantação de modelos
  • Controle de versão de modelos e configurações

Orquestração de Pipelines no Kubernetes

  • Construção de pipelines com Tekton
  • Gestão de fluxos de trabalho de ML com múltiplas etapas
  • Agendamento e gestão de recursos

Monitoramento, Logs e Estratégias de Rollback

  • Acompanhamento de viés de dados e desempenho de modelos
  • Integração de alertas e observabilidade
  • Abordagens de rollback e failover

Retreinamento Automatizado e Melhoria Contínua

  • Projeto de loops de feedback
  • Automação de retreinamentos agendados
  • Integração do MLflow para rastreamento e gestão de experimentos

Arquiteturas Avançadas de MLOps

  • Modelos de implantação multi-cluster e em nuvem híbrida
  • Escala de equipes com infraestrutura compartilhada
  • Considerações sobre segurança e conformidade

Resumo e Próximos Passos

Requisitos

  • Compreensão dos fundamentos do Kubernetes
  • Experiência com fluxos de trabalho de machine learning
  • Conhecimento de desenvolvimento baseado em Git

Público-Alvo

  • Engenheiros de ML
  • Engenheiros de DevOps
  • Equipes de plataforma de ML

Número de participantes


Preço por participante

Testemunhos de Clientes (3)

Próximas Formações Provisórias

Categorias Relacionadas