코스 개요

AI & ML용 컨테이너화 소개

  • 컨테이너화의 핵심 개념
  • 왜 컨테이너가 ML 워크로드에 이상적인지
  • 컨테이너와 가상 머신의 주요 차이점

Docker 이미지 및 컨테이너 작업

  • 이미지, 레이어, 리포지토리 이해
  • ML 실험용 컨테이너 관리
  • Docker CLI 효율적으로 사용하기

ML 환경 패키징

  • 컨테이너화를 위한 ML 코드베이스 준비
  • Python 환경 및 의존성 관리
  • CUDA 및 GPU 지원 통합

머신 러닝용 Dockerfile 작성

  • ML 프로젝트를 위한 Dockerfile 구조화
  • 성능과 유지 관리성을 위한 최적의 실천 방법
  • 다단계 빌드 사용하기

ML 모델 및 파이프라인 컨테이너화

  • 훈련된 모델을 컨테이너로 패키징하기
  • 데이터 및 저장 전략 관리
  • 재현 가능한 end-to-end 워크플로 배포

컨테이너화된 ML 서비스 실행

  • 모델 추론을 위한 API 엔드포인트 노출하기
  • Docker Compose를 사용한 서비스 확장
  • 런타임 동작 모니터링

보안 및 준수 고려 사항

  • 안전한 컨테이너 구성 보장
  • 액세스 및 자격 증명 관리
  • 기밀 ML 자산 처리

프로덕션 환경에 배포하기

  • 컨테이너 리포지토리에 이미지 게시하기
  • 온프레미스 또는 클라우드 환경에서 컨테이너 배포하기
  • 프로덕션 서비스의 버전 관리 및 업데이트

요약 및 다음 단계

요건

  • 머신 러닝 워크플로에 대한 이해
  • Python 또는 유사한 프로그래밍 언어 사용 경험
  • 기본 Linux 명령줄 작업에 익숙함

대상자

  • 프로덕션으로 모델을 배포하는 ML 엔지니어
  • 재현 가능한 실험 환경을 관리하는 데이터 과학자
  • 확장 가능한 컨테이너화된 애플리케이션을 개발하는 AI 개발자
 14 시간

참가자 수


참가자당 가격

회원 평가 (5)

예정된 코스

관련 카테고리