Temario del curso
Fundamentos de la Contenerización para MLOps
- Comprensión de los requisitos del ciclo de vida del ML
- Conceptos clave de Docker para sistemas de ML
- Mejores prácticas para entornos reproducibles
Construcción de Pipelines de Entrenamiento de ML Contenerizados
- Empaquetado del código de entrenamiento de modelos y sus dependencias
- Configuración de trabajos de entrenamiento utilizando imágenes de Docker
- Gestión de conjuntos de datos y artefactos en contenedores
Contenerización de la Validación y la Evaluación de Modelos
- Reproducción de entornos de evaluación
- Automatización de flujos de trabajo de validación
- Captura de métricas y registros desde contenedores
Inferencia y Servicio Contenerizados
- Diseño de microservicios de inferencia
- Optimización de contenedores de tiempo de ejecución para producción
- Implementación de arquitecturas de servicio escalables
Orquestación de Pipelines con Docker Compose
- Coordinación de flujos de trabajo de ML multi-contenedor
- Aislamiento de entornos y gestión de configuración
- Integración de servicios de apoyo (p. ej., seguimiento, almacenamiento)
Control de Versiones de Modelos de ML y Gestión del Ciclo de Vida
- Seguimiento de modelos, imágenes y componentes del pipeline
- Entornos de contenedores con control de versiones
- Integración de herramientas como MLflow o similares
Despliegue y Escalado de Cargas de Trabajo de ML
- Ejecución de pipelines en entornos distribuidos
- Escala de microservicios utilizando enfoques nativos de Docker
- Monitoreo de sistemas de ML contenerizados
CI/CD para MLOps con Docker
- Automatización de la compilación y el despliegue de componentes de ML
- Pruebas de pipelines en entornos de preproducción contenerizados
- Asegurar la reproducibilidad y los procesos de reversión (rollbacks)
Resumen y Próximos Pasos
Requerimientos
- Comprensión de los flujos de trabajo de aprendizaje automático
- Experiencia con Python para el desarrollo de datos o modelos
- Familiaridad con los fundamentos de los contenedores
Audiencia
- Ingenieros de MLOps
- Profesionales de DevOps
- Equipos de plataformas de datos
Reseñas (2)
Como mencioné anteriormente, para una persona como yo (sin experiencia), esto supuso una puerta de entrada para comprender las funciones y características de estos programas, herramientas y demás.
Patrick V. Duylovski - UBB + DZI (KBC GROUP)
Curso - Docker and Kubernetes
Traducción Automática
programa de cursos estructurado en múltiples niveles.
Bert Paelinckx - Cube SoftwareSolutions
Curso - Introduction to Docker
Traducción Automática
