聯繫我們

課程簡介

AI 工作流中 CI/CD 介紹

  • AI 模型交付管線的独特挑戰
  • 比較傳統 DevOps 與 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 Dockerfiles
  • 管理相依性與模型工件
  • 建構安全且最佳化的影像

建立 CI/CD 管線

  • CI/CD 工具選項及其生態系
  • 建構用於自動化模型打包的管線
  • 通過自動化檢查驗證管線

在 CI 中測試 AI 模型

  • 自動化數據完整性檢查
  • 模型服務的單元與整合測試
  • 效能與回歸驗證

基於 Docker 的 AI 服務自動化部署

  • 將 AI 容器部署至雲端環境
  • 實施藍綠部署和金丝雀發布
  • 失敗部署的回滾策略

管理模型版本與工件

  • 使用註冊中心進行模型與容器版本控制
  • 標籤化、簽章以及推廣影像
  • 跨服務協調模型更新

AI 的 CI/CD 監控與可觀測性

  • 追蹤管線和模型效能
  • 建構失敗或模型漂移警報
  • 追蹤跨環境的推論行為

為 AI 系統擴展 CI/CD 管線

  • 為大型模型平行化建構過程
  • 最佳化運算與儲存資源
  • 整合分散式與遠端執行器

總結與後續步驟

最低要求

  • 對機器學習模型生命週期的理解
  • 具備 Docker 容器化經驗
  • 熟悉 CI/CD 概念與管線

目標對象

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

課程分類