Ponte en Contacto

Temario del curso

Introducción a la contenerización para IA y ML

  • Conceptos fundamentales de la contenerización
  • Por qué los contenedores son ideales para cargas de trabajo de ML
  • Diferencias clave entre contenedores y máquinas virtuales

Trabajo con imágenes y contenedores de Docker

  • Comprensión de imágenes, capas y registros
  • Gestión de contenedores para experimentación en ML
  • Uso eficiente de la CLI de Docker

Empaquetado de entornos de ML

  • Preparación de bases de código de ML para la contenerización
  • Gestión de entornos y dependencias de Python
  • Integración de soporte para CUDA y GPUs

Creación de archivos Docker para aprendizaje automático

  • Estructuración de archivos Docker para proyectos de ML
  • Mejores prácticas para el rendimiento y la mantenibilidad
  • Uso de construcciones de múltiples etapas (multi-stage builds)

Contenerización de modelos y pipelines de ML

  • Empaquetado de modelos entrenados en contenedores
  • Estrategias de gestión de datos y almacenamiento
  • Despliegue de flujos de trabajo completos reproducibles

Ejecución de servicios de ML empaquetados en contenedores

  • Exposición de puntos finales de API para inferencia de modelos
  • Escala de servicios con Docker Compose
  • Monitoreo del comportamiento en tiempo de ejecución

Consideraciones de seguridad y cumplimiento

  • Garantizar configuraciones seguras de contenedores
  • Gestión de accesos y credenciales
  • Manejo de activos de ML confidenciales

Despliegue en entornos de producción

  • Publicación de imágenes en registros de contenedores
  • Despliegue de contenedores en configuraciones locales (on-prem) o en la nube
  • Gestión de versiones y actualización de servicios de producción

Resumen y próximos pasos

Requerimientos

  • Comprensión de los flujos de trabajo de aprendizaje automático.
  • Experiencia con Python o lenguajes de programación similares.
  • Conocimiento de las operaciones básicas de la línea de comandos de Linux.

Público objetivo

  • Ingenieros de ML que despliegan modelos en producción.
  • Científicos de datos que gestionan entornos de experimentación reproducibles.
  • Desarrolladores de IA que construyen aplicaciones escalables basadas en contenedores.
 14 Horas

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas