Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Duración 14 horas
Temario del curso
Introducción al despliegue de IA
- Visión general del ciclo de vida del despliegue de IA.
- Desafíos en el despliegue de agentes de IA en producción.
- Consideraciones clave: escalabilidad, confiabilidad y mantenibilidad.
Containerización y orquestación
- Introducción a Docker y conceptos básicos de containerización.
- Uso de Kubernetes para la orquestación de agentes de IA.
- Mejores prácticas para la gestión de aplicaciones de IA containerizadas.
Servicio de modelos de IA
- Resumen de marcos de servicio de modelos (p. ej., TensorFlow Serving, TorchServe).
- Creación de APIs REST para la inferencia de agentes de IA.
- Gestión de predicciones por lotes frente a predicciones en tiempo real.
CI/CD para agentes de IA
- Configuración de pipelines CI/CD para despliegues de IA.
- Automatización de la prueba y validación de modelos de IA.
- Actualizaciones progresivas y gestión del control de versiones.
Monitoreo y optimización
- Implementación de herramientas de monitoreo para el rendimiento de agentes de IA.
- Análisis del deriva de modelos y necesidades de reentrenamiento.
- Optimización del uso de recursos y la escalabilidad.
Seguridad y gobernanza
- Asegurar el cumplimiento de las regulaciones de privacidad de datos.
- Seguridad de los pipelines de despliegue de IA y las APIs.
- Auditoría y registro de eventos (logging) para aplicaciones de IA.
Actividades prácticas
- Containerización de un agente de IA con Docker.
- Despliegue de un agente de IA utilizando Kubernetes.
- Configuración del monitoreo para el rendimiento de la IA y el uso de recursos.
Resumen y próximos pasos
Requerimientos
- Dominio de la programación en Python.
- Comprensión de los flujos de trabajo de aprendizaje automático.
- Conocimiento de herramientas de containerización como Docker.
- Experiencia en prácticas de DevOps (recomendado).
Audiencia
- Ingenieros de MLOps.
- Profesionales de DevOps.
