Curso de MLOps no Kubernetes: Pipelines CI/CD para Aprendizado de Máquina

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a engenheiros de IA de nível avançado e cientistas de dados com experiência intermediária a avançada que desejam aprimorar o desempenho do modelo DeepSeek, minimizar a latência e implantar soluções de IA de forma eficiente usando práticas modernas MLOps.

No final deste treinamento, os participantes serão capazes de:

• Otimize os modelos DeepSeek para eficiência, precisão e escalabilidade.
• Implementar as melhores práticas para MLOps e versionamento de modelo.
• Implante modelos DeepSeek na nuvem e na infraestrutura local.
• Monitorizar, manter e escalar soluções de IA de forma eficaz.

DO180 é uma introdução a contêineres, fundamentos do Kubernetes e conceitos da plataforma Red Hat OpenShift, focada em habilidades práticas.

Este treinamento conduzido por instrutor (online ou presencial) é destinado a profissionais técnicos de nível iniciante a intermediário que desejam aprender fluxos de trabalho com contêineres, primitivas do Kubernetes e como implantar e operar aplicativos no OpenShift.

Ao final deste treinamento, os participantes serão capazes de:

• Construir e gerenciar imagens de contêineres e registros com práticas recomendadas para reprodutibilidade e segurança.
• Implantar e gerenciar objetos do Kubernetes, como pods, implantações e serviços no OpenShift.
• Usar recursos do OpenShift, incluindo rotas, BuildConfigs e o console web para facilitar a entrega de aplicativos.
• Implementar armazenamento persistente, gerenciamento de configuração e manipulação de segredos para cargas de trabalho com estado.
• Aplicar práticas básicas de segurança, RBAC e monitoramento para manter clusters e aplicativos saudáveis.

Formato do Curso

• Aula interativa e discussão.
• Laboratórios práticos em um ambiente OpenShift ao vivo todos os dias.
• Exercícios baseados em cenários e oficinas de solução de problemas.

Opções de Personalização do Curso

• Para solicitar um treinamento personalizado para este curso, entre em contato conosco para agendar.

Este treinamento liderado por instrutor em Brasil (online ou presencial) é voltado para engenheiros que desejam usar o Helm para simplificar o processo de instalação e gerenciamento de aplicativos Kubernetes.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar o Helm.
• Criar builds reproduzíveis de aplicativos Kubernetes.
• Compartilhar aplicativos como gráficos Helm.
• Executar aplicativos de terceiros salvos como gráficos Helm.
• Gerenciar versões de pacotes Helm.

Esse treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam criar, implantar e gerenciar fluxos de trabalho de aprendizado de máquina em Kubernetes.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Kubeflow no local e na nuvem usando o AWS EKS (Elastic Kubernetes Service).
• Crie, implante e gerencie fluxos de trabalho de ML com base em contêineres Docker e Kubernetes.
• Executar pipelines de aprendizagem automática completos em diversas arquitecturas e ambientes de nuvem.
• Usando Kubeflow para gerar e gerenciar notebooks Jupyter.
• Criar treinamento de ML, ajuste de hiperparâmetros e servir cargas de trabalho em várias plataformas.

Este treinamento presencial, conduzido por instrutor (online ou local), é voltado para engenheiros que desejam implantar cargas de trabalho de Machine Learning em um servidor AWS EC2.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Kubernetes, Kubeflow e outros softwares necessários no AWS.
• Usar EKS (Elastic Kubernetes Service) para simplificar a inicialização de um cluster do Kubernetes no AWS.
• Criar e implantar um pipeline do Kubernetes para automatizar e gerenciar modelos de ML em produção.
• Treinar e implantar modelos de ML do TensorFlow em múltiplas GPUs e máquinas executando em paralelo.
• Leverage outros serviços gerenciados pela AWS para estender um aplicativo de ML.

Este treinamento dirigido por instrutor (online ou presencial) é destinado a engenheiros que desejam implantar cargas de trabalho de Machine Learning na nuvem Azure.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar o Kubernetes, Kubeflow e outros softwares necessários no Azure.
• Usar o Azure Kubernetes Service (AKS) para simplificar a inicialização de um cluster do Kubernetes no Azure.
• Criar e implantar um pipeline do Kubernetes para automatizar e gerenciar modelos de ML em produção.
• Treinar e implantar modelos de ML do TensorFlow em múltiplos GPUs e máquinas executando em paralelo.
• Aproveitar outros serviços gerenciados da AWS para estender um aplicativo de ML.

Kubeflow é uma plataforma de código aberto projetada para facilitar a construção, treinamento e implantação de cargas de trabalho de aprendizado de máquina no Kubernetes.

Este treinamento conduzido por instrutor (online ou presencial) é voltado para profissionais de nível iniciante a intermediário que desejam construir fluxos de trabalho confiáveis de ML usando Kubeflow.

Ao final deste treinamento, os participantes adquirirão as habilidades para:

• Navegar no ecossistema do Kubeflow e nos componentes principais.
• Construir fluxos de trabalho reproduzíveis com Kubeflow Pipelines.
• Executar trabalhos de treinamento escaláveis no Kubernetes.
• Servir modelos de aprendizado de máquina eficientemente usando Kubeflow Serving.

Formato do Curso

• Apresentações guiadas e discussões colaborativas.
• Laboratórios práticos com componentes reais do Kubeflow.
• Exercícios práticos para construir fluxos de trabalho de ML de ponta a ponta.

Opções de Personalização do Curso

• Versões personalizadas deste treinamento podem ser organizadas para se alinharem com a pilha tecnológica e os requisitos de projeto da sua equipe.

Esse treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam criar, implantar e gerenciar fluxos de trabalho de aprendizado de máquina em Kubernetes.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Kubeflow no local e na nuvem.
• Crie, implante e gerencie fluxos de trabalho de ML com base em contêineres Docker e Kubernetes.
• Executar pipelines de aprendizado de máquina inteiros em diversas arquiteturas e ambientes de nuvem.
• Usando Kubeflow para gerar e gerenciar notebooks Jupyter.
• Criar treinamento de ML, ajuste de hiperparâmetros e servir cargas de trabalho em várias plataformas.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a desenvolvedores de software de nível iniciante a intermediário e DevOps profissionais que desejam aprender como configurar e gerenciar um ambiente local Kubernetes usando o Minikube.

No final deste treinamento, os participantes serão capazes de:

• Instalar e configurar o Minikube em sua máquina local.
• Compreender os conceitos básicos e a arquitetura de Kubernetes.
• Implantar e gerenciar contêineres usando o kubectl e o painel do Minikube.
• Configurar armazenamento persistente e soluções de rede para Kubernetes.
• Utilizar o Minikube para desenvolver, testar e depurar aplicações.

Este treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a desenvolvedores de nível intermediário e engenheiros DevOps que desejam usar o Minikube como parte de seu fluxo de trabalho de desenvolvimento.

No final deste treinamento, os participantes serão capazes de:

• Configurar e gerenciar um ambiente Kubernetes local usando o Minikube.
• Entender como implantar, gerenciar e depurar aplicativos no Minikube.
• Integrar o Minikube em seus pipelines de integração e implantação contínuas.
• Otimizar seu processo de desenvolvimento usando os recursos avançados do Minikube.
• Aplicar as melhores práticas para o desenvolvimento local Kubernetes.

Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a cientistas de dados que desejam ir além da construção de modelos de ML e otimizar o processo de criação, rastreamento e implantação de modelos de ML.

No final deste treinamento, os participantes serão capazes de:

• Instalar e configurar MLflow e bibliotecas e estruturas de ML relacionadas.
• Apreciar a importância da rastreabilidade, reprodutibilidade e implantação de um modelo de ML
• Implantar modelos de ML em diferentes nuvens públicas, plataformas ou servidores locais.
• Dimensionar o processo de implementação de ML para acomodar vários utilizadores que colaboram num projeto.
• Criar um registo central para experimentar, reproduzir e implementar modelos de ML.

Este treinamento liderado por instrutor (online ou presencial) em Brasil é destinado a engenheiros que desejam avaliar as abordagens e ferramentas disponíveis hoje para tomar uma decisão inteligente sobre o caminho a seguir na adoção do MLOps em sua organização.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar vários frameworks e ferramentas de MLOps.
• Montar a equipe certa com as habilidades adequadas para construir e suportar um sistema de MLOps.
• Preparar, validar e versionar dados para uso por modelos de ML.
• Compreender os componentes de um Pipeline de ML e as ferramentas necessárias para construí-lo.
• Experimentar diferentes frameworks e servidores de aprendizado de máquina para deploy em produção.
• Operacionalizar todo o processo de Aprendizado de Máquina para que seja reproduzível e mantido.

Este treinamento liderado por instrutor (online ou presencial) é voltado para engenheiros de machine learning que desejam usar o Azure Machine Learning e o Azure DevOps para facilitar as práticas de MLOps.

Ao final deste treinamento, os participantes serão capazes de:

• Construir fluxos de trabalho e modelos de machine learning reproduzíveis.
• Gerenciar o ciclo de vida de machine learning.
• Rastrear e relatar o histórico de versão do modelo, ativos e mais.
• Implementar modelos de machine learning prontos para produção em qualquer lugar.