MLOps: 머신 러닝의 CI/CD 교육 과정

이 과정은 지속적 통합, 지속적 배포, 지속적 테스트 및 잠재적으로 지속적 구현을 지원하는 DevOps 배포 파이프라인 및 도구 체인의 설계, 구현, 관리에 참여하고 있는 참가자들을 대상으로 설계되었습니다. 이 과정은 지속적 배포와 관련된 기반이 되는 프로세스, 메트릭, API 및 문화적 고려 사항을 강조합니다.

테스트를 최적화하고 더 빠르게 테스트하면서 여전히 좋은 품질과 일관되고 안정적인 결과를 얻는 방법을 알아보세요.

DevOps 엔지니어링이 무엇인지, 왜 DevOps 엔지니어링이 중요한지, 그리고 DevOps가 성공을 위한 엔지니어링이 어떻게 이루어지는지 배우세요.

이 과정은 DevOps의 기본 원칙을 간략히 살펴본 후 DevOps의 구현으로 전환됩니다. 이 과정은 엔지니어링 관점에서 설계되었으며, 다른 프레임워크, 기술, 애플리케이션 설계 관행, 지속적 통합 관행, 지속적 제공 및 배포, 지속적 테스트, 탄력적인 인프라, 모니터링, 메트릭, 가시성, 거버넌스, 인간 요소 및 DevOps 엔지니어링의 미래 동향과 같은 주제를 다룹니다.

DevOps 기초 과정은 모든 사람이 동일한 언어로 말할 수 있도록 주요 DevOps 용어에 대한 기본 이해를 제공하고 조직의 성공을 지원하는 DevOps의 이점을 강조합니다.

이 과정은 문화적 변화의 인간 동역학에 초점을 맞추고, 참가자들이 실제 사례와 케이스 스터디를 통해 DevOps 스펙트럼 전체에서 사람들과 소통할 수 있는 실무, 방법, 도구를 제공합니다. 과정을 완료하면 참가자들은 Value Stream Mapping 등을 이해하는 등의 구체적인 성과물을 회사로 돌아갔을 때 활용할 수 있습니다.

가치 흐름 관리 원칙, 관행 및 도구를 소개합니다. 디지털 가치 흐름의 가치 흐름과 실현을 최적화하고 개인의 기술을 개발하도록 설계되었습니다. 디지털 가치 흐름에는 이를 지원하는 플랫폼(예: 클라우드 인프라 또는 DevOps 도구 체인) 외에도 소프트웨어 애플리케이션 및 서비스가 포함됩니다.

다루는 과정 주제에는 DevSecOps가 비즈니스 가치를 제공하고 비즈니스 기회를 강화하며 기업 가치를 향상시키는 방법이 포함됩니다. 가르친 핵심 DevSecOps 원칙은 조직 혁신을 지원하고, 생산성을 높이고, 위험을 줄이고, 리소스 사용을 최적화할 수 있습니다.

DevSecOps 실무자는 DevSecOps 관행에 대한 보다 포괄적인 이해를 돕기 위한 다양한 사례를 소개합니다. 올바른 인재 조합 찾기, 가치 가속화를 위한 프로세스 구축, 현재 이용 가능한 기술 옵션 비교를 통해 실질적인 결과를 탐색해 보세요. DevSecOps 기술과 인식을 향상시키려는 최근 변화된 조직을 위해 맞춤화되었습니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 Kubernetes에서 기계 학습 워크플로를 구축, 배포 및 관리하려는 개발자와 데이터 과학자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• AWS EKS(Elastic Kubernetes 서비스)를 사용하여 온프레미스와 클라우드에서 Kubeflow을 설치하고 구성합니다.
• Docker 컨테이너와 Kubernetes를 기반으로 ML 워크플로를 구축, 배포 및 관리합니다.
• 다양한 아키텍처와 클라우드 환경에서 전체 기계 학습 파이프라인을 실행하세요.
• Kubeflow을 사용하여 Jupyter 노트북을 생성하고 관리합니다.
• 여러 플랫폼에서 ML 훈련, 하이퍼파라미터 튜닝, 워크로드 제공을 구축하세요.

대한민국에서 진행되는 본 트레이닝은 온라인 또는 현장에서 진행되며, 엔지니어들이 AWS EC2 서버에 머신러닝 작업을 배포하길 원한다면 이 강좌를 추천드립니다.

트레이닝이 끝나면 참가자들은 다음과 같은 능력을 갖추게 됩니다:

• AWS에서 Kubernetes, Kubeflow 및 기타 필요한 소프트웨어를 설치하고 구성할 수 있습니다.
• EKS(Elastic Kubernetes Service)를 사용하여 AWS에서 Kubernetes 클러스터 초기화 작업을 단순화할 수 있습니다.
• 생산 환경에서 ML 모델의 자동화와 관리를 위한 Kubernetes 파이프라인을 생성하고 배포할 수 있습니다.
• 병렬로 실행되는 여러 GPU 및 머신에 TensorFlow ML 모델을 훈련시키고 배포할 수 있습니다.
• 다른 AWS 관리 서비스를 활용하여 ML 애플리케이션을 확장할 수 있습니다.

이 강사 주도의 실시간 교육(대한민국 온라인 또는 현장)은 Azure 클라우드에 머신러닝 작업을 배포하길 원하는 엔지니어를 대상으로 합니다.

본 교육이 끝나면 참가자들은 다음과 같은 능력을 갖추게 됩니다:

• Azure에서 Kubernetes, Kubeflow 및 기타 필요한 소프트웨어를 설치하고 구성합니다.
• Azure Kubernetes Service (AKS)를 사용하여 Azure에서 Kubernetes 클러스터의 초기화 작업을 단순화합니다.
• 제작 및 배포 파이프라인을 사용하여 프로덕션 환경에서 머신러닝 모델의 자동화와 관리를 위한 Kuberneres 파이프라인을 생성하고 배포합니다.
• 병렬로 실행되는 여러 GPU와 머신에 TensorFlow 머신러닝 모델을 훈련시키고 배포합니다.
• AWS 관리 서비스를 활용하여 머신러닝 애플리케이션을 확장합니다.

Kubeflow는 Kubernetes 상에서 머신러닝 작업을 구축, 학습, 배포하는 과정을 간소화하기 위해 설계된 오픈 소스 플랫폼입니다.

이 강사 주도의 실시간 교육(온라인 또는 현장)은 초급에서 중급 수준의 전문가를 대상으로 하며, Kubeflow를 사용하여 신뢰할 수 있는 머신러닝 워크플로우를 구축하고자 하는 사람들을 위한 것입니다.

이 교육을 통해 참가자들은 다음과 같은 기술을 습득하게 됩니다:

• Kubeflow 생태계와 핵심 구성 요소를 탐색합니다.
• Kubeflow Pipelines를 사용하여 재현 가능한 워크플로우를 구축합니다.
• Kubernetes 상에서 확장 가능한 학습 작업을 실행합니다.
• Kubeflow Serving을 사용하여 머신러닝 모델을 효율적으로 서비스합니다.

강의 형식

• 안내된 프레젠테이션과 협력적인 토론.
• 실제 Kubeflow 구성 요소를 활용한 실습.
• 머신러닝 워크플로우를 끝까지 구축하는 실용적인 연습.

강의 맞춤형 옵션

• 이 교육의 맞춤형 버전을 팀의 기술 스택과 프로젝트 요구 사항에 맞춰 조정할 수 있습니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 Kubernetes에서 기계 학습 워크플로를 구축, 배포 및 관리하려는 개발자와 데이터 과학자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 온프레미스 및 클라우드에 Kubeflow을 설치하고 구성합니다.
• Docker 컨테이너와 Kubernetes를 기반으로 ML 워크플로를 구축, 배포 및 관리합니다.
• 다양한 아키텍처와 클라우드 환경에서 전체 기계 학습 파이프라인을 실행하세요.
• Kubeflow을 사용하여 Jupyter 노트북을 생성하고 관리합니다.
• 여러 플랫폼에서 ML 훈련, 하이퍼파라미터 튜닝, 워크로드 제공을 구축하세요.

이 강사가 진행하는 실시간 교육(온라인 또는 현장)은 ML 모델 구축을 넘어 ML 모델 생성, 추적 및 배포 프로세스를 최적화하려는 데이터 과학자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• MLflow 및 관련 ML 라이브러리와 프레임워크를 설치하고 구성합니다.
• ML 모델의 추적성, 재현성, 배포 가능성의 중요성을 인식합니다.
• ML 모델을 다양한 퍼블릭 클라우드, 플랫폼 또는 온프레미스 서버에 배포합니다.
• 여러 사용자가 프로젝트에서 공동 작업할 수 있도록 ML 배포 프로세스를 확장합니다.
• ML 모델을 실험, 재현, 배포하기 위한 중앙 레지스트리를 설정합니다.

SRE (사이트 신뢰성 엔지니어링) 기초 과정은 조직이 중요한 서비스를 안정적이고 경제적으로 확장할 수 있는 원칙과 실천 방법에 대한 소개입니다. 사이트 신뢰성을 도입하는 것은 조직의 재조정, 공학 및 자동화에 대한 새로운 초점을 맞추고, 다양한 새로운 작업 패러다임을 채택하는 것을 필요로 합니다.