Contacta con nosotros

Temario del curso

Fundamentos de MLOps en Kubernetes

  • Conceptos centrales de MLOps
  • MLOps vs DevOps tradicional
  • Principales desafíos de la gestión del ciclo de vida de ML

Contenerización de Cargas de Trabajo de ML

  • Empaquetado de modelos y código de entrenamiento
  • Optimización de imágenes de contenedores para ML
  • Gestión de dependencias y reproducibilidad

CI/CD para Aprendizaje Automático

  • Estructuración de repositorios de ML para automatización
  • Integración de pasos de pruebas y validación
  • Activación de pipelines para reentrenamiento y actualizaciones

GitOps para Despliegue de Modelos

  • Principios y flujos de trabajo de GitOps
  • Uso de Argo CD para el despliegue de modelos
  • Control de versiones de modelos y configuraciones

Orquestación de Pipelines en Kubernetes

  • Construcción de pipelines con Tekton
  • Gestión de flujos de trabajo de ML multi-etapa
  • Programación y gestión de recursos

Estrategias de Monitoreo, Registros (Logs) y Reversión

  • Seguimiento de la deriva de datos y rendimiento del modelo
  • Integración de alertas y observabilidad
  • Enfoques de reversión y recuperación ante fallos

Reentrenamiento Automatizado y Mejora Continua

  • Diseño de bucles de retroalimentación
  • Automatización del reentrenamiento programado
  • Integración de MLflow para seguimiento y gestión de experimentos

Arquitecturas Avanzadas de MLOps

  • Modelos de despliegue multi-clúster y nube híbrida
  • Escalamiento de equipos con infraestructura compartida
  • Consideraciones de seguridad y cumplimiento normativo

Resumen y Próximos Pasos

Requerimientos

  • Comprensión de los fundamentos de Kubernetes
  • Experiencia con flujos de trabajo de aprendizaje automático
  • Conocimientos de desarrollo basado en Git

Público Objetivo

  • Ingenieros de ML
  • Ingenieros DevOps
  • Equipos de plataformas de ML
 14 Horas

Número de participantes


Precio por participante

Testimonios (3)

Próximos cursos

Categorías Relacionadas