연락처 정보

코스 개요

AI 기반 쿠버네티스 운영 소개

  • 현대 클러스터 운영에서 AI의 중요성
  • 전통적인 스케일링 및 스케줄링 기법의 한계점
  • 리소스 관리에 적용되는 머신러닝 핵심 개념들

쿠버네티스 리소스 관리의 기초

  • CPU, GPU 및 메모리 할당 관련 핵심 원리
  • 쿼터, 제한 값 및 리소스 요청 설정 방법에 대한 이해
  • 시스템 병목 현상 및 비효율적인 부분을 파악하는 법

작업 스케줄링을 위한 머신러닝 접근법

  • 작업 배치를 최적화하기 위한 지도학습 및 비지도학습 모델 활용법
  • 리소스 수요 예측을 위한 알고리즘 설계 방법
  • 커스텀 스케줄러에 머신러닝 기능을 통합하는 방안

지능형 자동 스케일링을 위한 강화학습 활용

  • 강화학습 에이전트가 클러스터 동작 패턴에서 어떻게 학습하는지
  • 효율성을 극대화하기 위한 보상 함수 설계 방법
  • 강화학습 기반 자동 스케일링 전략을 구축하는 절차

지표 및 텔레메트리 데이터를 활용한 예측형 자동 스케일링

  • Prometheus 데이터 기반의 예측 모델 적용법
  • 시계열 분석 모델을 자동 스케일링 체계에 활용하는 방안
  • 예측 정확도 평가 및 모델 최적화 기법

AI 기반 최적화 도구 구현 방법

  • 머신러닝 프레임워크와 쿠버네티스 컨트롤러 간의 통합 방안
  • 지능형 제어 루프 구현 절차
  • AI 기반 의사결정을 위해 KEDA를 확장하는 방법

비용 절감 및 성능 향상을 위한 최적화 전략

  • 예측형 스케일링을 통한 컴퓨팅 비용 절감 방안
  • 머신러닝 기반 배치 최적화로 GPU 활용도 개선 방법
  • 지연 시간, 처리량 및 운영 효율성 간의 균형 유지 전략

실제 시나리오와 현장 적용 사례 분석

  • AI를 활용한 고부하 애플리케이션의 자동 스케일링 방법
  • 서로 다른 종류의 노드 풀 최적화 기법
  • 다중 테넌트 환경에서 머신러닝을 활용하는 실제 사례

강좌 요약 및 향후 발전 방향

요건

  • 쿠버네티스의 기본 개념에 대한 이해가 필요합니다.
  • 컨테이너화된 애플리케이션 배포 경험이 권장됩니다.
  • 클러스터 운영 및 리소스 관리에 대한 지식이 있으면 유용합니다.

수강 대상

  • 대규모 분산 시스템을 다루는 SRE 담당자
  • 고부하 작업 환경에서 쿠버네티스를 관리하는 운영자
  • 컴퓨팅 인프라 최적화를 담당하는 플랫폼 엔지니어
 21 시간

참가자 수


참가자별 가격

회원 평가 (4)

예정된 코스

관련 카테고리