Ponte en Contacto

Temario del curso

Fundamentos de la Implementación de IA Híbrida

  • Comprensión de modelos de implementación híbridos, cloud y edge.
  • Características de las cargas de trabajo de IA y restricciones de infraestructura.
  • Selección de la topología de implementación adecuada.

Contenedores para Cargas de Trabajo de IA con Docker

  • Construcción de contenedores de inferencia con GPU y CPU.
  • Gestión de imágenes y registros seguros.
  • Implementación de entornos reproducibles para IA.

Implementación de Servicios de IA en Entornos Cloud

  • Ejecución de inferencia en AWS, Azure y GCP mediante Docker.
  • Provisionamiento de capacidad de cómputo en la nube para el servicio de modelos.
  • Seguridad de los extremos (endpoints) de IA en la nube.

Técnicas de Implementación Edge y On-Premise

  • Ejecución de IA en dispositivos IoT, puertas de enlace y microservidores.
  • Runtimes ligeros para entornos edge.
  • Gestión de conectividad intermitente y persistencia local.

Redes Híbridas y Conectividad Segura

\r
  • Tunelización segura entre edge y cloud.
  • Certificados, secretos y acceso basado en tokens.
  • Ajuste de rendimiento para inferencia de baja latencia.

Orquestación de Implementaciones de IA Distribuidas

  • Uso de K3s, K8s u orquestación ligera para configuraciones híbridas.
  • Descubrimiento de servicios y programación de cargas de trabajo.
  • Automatización de estrategias de implementación en múltiples ubicaciones.

Monitoreo y Observabilidad en Todos los Entornos

  • Rastreo del rendimiento de la inferencia en todas las ubicaciones.
  • Registro centralizado para sistemas de IA híbridos.
  • Detección de fallas y recuperación automatizada.

Escalado y Optimización de Sistemas de IA Híbridos

  • Escalado de clústeres edge y nodos cloud.
  • Optimización del uso del ancho de banda y el caché.
  • Equilibrio de cargas de cómputo entre cloud y edge.

Resumen y Próximos Pasos

Requerimientos

  • Comprensión de los conceptos de contenedores.
  • Experiencia con operaciones en la línea de comandos de Linux.
  • Familiaridad con flujos de trabajo de implementación de modelos de IA.

Público Objetivo

  • Arquitectos de infraestructura.
  • Ingenieros de Confiabilidad del Sitio (SREs).
  • Desarrolladores de Edge e IoT.
 21 Horas

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas