Kubernetes에서의 MLOps: 머신러닝을 위한 CI/CD 파이프라인 교육 과정

대한민국에서 강사가 진행하는 이 라이브 교육(온라인 또는 현장)은 중급~고급 수준의 경험을 보유한 고급 AI 엔지니어 및 데이터 과학자를 대상으로 하며 DeepSeek 모델 성능을 향상시키고 대기 시간을 최소화하며 최신 MLOps 방식을 사용하여 AI 솔루션을 효율적으로 배포하고자 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 효율성, 정확성 및 확장성을 위해 DeepSeek 모델을 최적화합니다.
• MLOps 및 모델 버전 관리를 위한 모범 사례를 구현합니다.
• 클라우드 및 온프레미스 인프라에 DeepSeek 모델을 배포합니다.
• AI 솔루션을 효과적으로 모니터링, 유지 관리하고 확장합니다.

DO180은 컨테이너, Kubernetes 기본 개념, 그리고 Red Hat OpenShift 플랫폼 개념에 대한 실습 중심의 소개입니다.

이 강사는 온라인 또는 현장에서 직접 진행하는 인스트럭터-리드 라이브 강좌로, 컨테이너 워크플로우, Kubernetes 기본 원리, 그리고 OpenShift에서 애플리케이션을 배포하고 운영하는 방법을 배우려는 초급부터 중급 수준의 기술 전문가들을 대상으로 합니다.

이 강좌를 마치면 참가자는 다음을 할 수 있습니다:

• 재현성과 보안에 중점을 둔 컨테이너 이미지와 레지스트리를 생성하고 관리합니다.
• OpenShift에서 포드, 배포, 서비스와 같은 Kubernetes 객체를 배포하고 관리합니다.
• 라우트, 빌드 구성, 웹 콘솔과 같은 OpenShift 기능을 사용하여 애플리케이션 제공을 간소화합니다.
• 상태 저장 워크로드에 대해 지속적인 저장, 구성 관리, 비밀 처리 구현
• 클러스터와 애플리케이션의 건강 상태를 유지하기 위한 기본적인 보안, RBAC, 모니터링 절차를 적용합니다.

강좌 형식

• 대화형 강의 및 토론.
• 매일 라이브 OpenShift 환경에서 수행하는 실습.
• 시나리오 기반 연습과 문제 해결 워크숍.

강좌 맞춤화 옵션

• 이 강좌에 대한 맞춤형 교육을 요청하려면, 맞춤화를 신청해 주세요.

이 강사 주도의 실시간 교육 대한민국 (온라인 또는 오프라인)은 Helm을 사용하여 Kubernetes 애플리케이션의 설치 및 관리를 간소화하길 원하는 엔지니어를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음과 같은 능력을 갖추게 됩니다:

• Helm을 설치하고 구성합니다.
• Kubernetes 애플리케이션의 재현 가능한 빌드를 생성합니다.
• Helm 차트로 애플리케이션을 공유합니다.
• Helm 차트로 저장된 서드파티 애플리케이션을 실행합니다.
• Helm 패키지의 릴리스를 관리합니다.

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.

대한민국(온라인 또는 현장)에서 진행되는 이 강사가 진행하는 실시간 교육은 다음을 사용하여 로컬 Kubernetes 환경을 설정하고 관리하는 방법을 배우려는 초급~중급 소프트웨어 개발자 및 DevOps 전문가를 대상으로 합니다. 미니쿠베.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 로컬 머신에 Minikube를 설치하고 구성합니다.
• Kubernetes의 기본 개념과 아키텍처를 이해합니다.
• kubectl 및 Minikube 대시보드를 사용하여 컨테이너를 배포하고 관리하세요.
• Kubernetes에 대한 영구 스토리지 및 네트워킹 솔루션을 설정합니다.
• 애플리케이션 개발, 테스트, 디버깅에 Minikube를 활용하세요.

대한민국(온라인 또는 현장)에서 강사가 진행하는 실시간 교육은 Minikube를 개발 워크플로의 일부로 사용하려는 중급 개발자와 DevOps 엔지니어를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• Minikube를 사용하여 로컬 Kubernetes 환경을 설정하고 관리합니다.
• Minikube에서 애플리케이션을 배포, 관리, 디버그하는 방법을 이해하세요.
• Minikube를 지속적인 통합 및 배포 파이프라인에 통합합니다.
• Minikube의 고급 기능을 사용하여 개발 프로세스를 최적화하세요.
• 로컬 Kubernetes 개발을 위한 모범 사례를 적용합니다.

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.

이 강사 주도형 실시간 교육(대한민국, 온라인 또는 대면)은 조직 내에서 MLOps를 채택할 때 사용 가능한 접근 방식과 도구를 평가하여 지능적인 결정을 내릴 수 있는 엔지니어들을 대상으로 합니다.

이 교육이 끝나면 참가자들은 다음과 같은 능력을 갖추게 됩니다:

• 다양한 MLOps 프레임워크와 도구를 설치하고 구성할 수 있습니다.
• MLOps 시스템을 구축하고 지원하기 위해 적합한 팀과 역량을 구성할 수 있습니다.
• ML 모델에서 사용할 데이터를 준비, 검증 및 버전 관리할 수 있습니다.
• ML 파이프라인의 구성 요소와 이를 구축하는 데 필요한 도구를 이해할 수 있습니다.
• 프로덕션 배포에 사용할 다양한 머신 러닝 프레임워크와 서버를 실험할 수 있습니다.
• 재현 가능하고 유지 관리 가능한 전체 Machine Learning 프로세스를 운영화할 수 있습니다.

이 강사는 온라인 또는 현장에서 진행되는 이 강좌는 Azure Machine Learning과 Azure DevOps를 사용하여 MLOps 관행을 촉진하고자 하는 머신러닝 엔지니어를 대상으로 합니다.

이 강좌를 통해 참가자들은 다음을 할 수 있게 됩니다:

• 재현 가능한 워크플로우와 머신러닝 모델을 구축합니다.
• 머신러닝 라이프사이클을 관리합니다.
• 모델 버전 역사, 자산 등을 추적하고 보고합니다.
• 어디서나 생산 준비된 머신러닝 모델을 배포합니다.