聯繫我們

課程簡介

導入 AI 工作流程的 CI/CD

  • AI 模型交付管線的獨特挑戰
  • 比較傳統 DevOps 和 MLOps 流程
  • 自動化模型部署的核心組件

使用 Docker 將 AI 模型容器化

  • 為 ML 推論設計高效的 Dockerfile
  • 管理依賴關係和模型工件
  • 構建安全且最佳化的映像檔

設定 CI/CD 管線

  • CI/CD 工具選項及其生態系統
  • 為自動化模型打包構建管線
  • 透過自動化檢查驗證管線

在 CI 中測試 AI 模型

  • 自動化資料完整性檢查
  • 模型服務的單元測試和整合測試
  • 效能和回歸驗證

基於 Docker 的 AI 服務自動化部署

  • 將 AI 容器部署至雲端環境
  • 實施藍綠部署和尖峰式 rollout
  • 失敗部署的回滾策略

管理模型版本和工件

  • 使用註冊表進行模型和容器版本控制
  • 標記、簽署和提升映像檔
  • 協調跨服務的模型更新

AI 的 CI/CD 中的監控和可觀測性

  • 追蹤管線和模型效能
  • 建立失敗構建或模型漂移警報
  • 追蹤跨環境的推論行為

AI 系統擴展 CI/CD 管線

  • 對大型模型並行化構建
  • 最佳化運算和儲存資源
  • 整合分散式和遠端運行器

總結與後續步驟

最低要求

  • 了解機器學習模型生命週期
  • 具備 Docker 容器化經驗
  • 熟悉 CI/CD 概念和管線

受眾

  • DevOps 工程師
  • MLOps 團隊
  • AI-ops 工程師
 21 小時