Infraestructura para MLOps en Ubuntu Linux

🎯Audiencia Objetivo

• Este curso está dirigido a desarrolladores, ingenieros de datos, científicos de datos y profesionales de TI que desean implementar y optimizar prácticas de MLOps en entornos basados en Ubuntu Linux. También es adecuado para equipos que buscan mejorar sus infraestructuras de IA/ML utilizando tecnologías open-source.

🔎 Descripción del Curso

El curso “MLOps en Ubuntu Linux” proporciona una guía práctica y detallada para implementar MLOps en entornos de producción, utilizando herramientas y tecnologías open-source. A lo largo de este curso, los participantes aprenderán a diseñar, desplegar y optimizar infraestructuras de MLOps, desde la creación de pipelines de machine learning hasta la gestión eficiente de recursos en la nube y en el edge. El curso combina teoría y práctica, permitiendo a los asistentes adquirir habilidades para enfrentar los desafíos de MLOps en la industria.

🪶Lo que aprenderás

• Conceptos básicos de MLOps: Entenderás los principios fundamentales y la importancia de MLOps en proyectos de IA/ML.
• Diseño y despliegue de arquitecturas MLOps: Aprenderás a diseñar y desplegar infraestructuras MLOps utilizando herramientas open-source en entornos de nube y edge.
• Optimización de recursos: Dominarás técnicas para maximizar el uso eficiente de recursos en entornos de producción.
• Implementación de pipelines de ML: Crearás e integrarás pipelines robustos utilizando herramientas como Kubeflow en Ubuntu.
• Gestión de modelos en producción: Aprenderás a monitorear, mantener y gestionar el ciclo de vida de modelos en producción.

🖊️📖✏️📚 Temario

Módulo 1: Introducción a MLOps

• 1.1. Conceptos básicos de MLOps
  • Definición y objetivos
  • Beneficios y desafíos de implementar MLOps
• 1.2. El rol de MLOps en la IA y ML
  • Ciclo de vida del MLOps
  • Comparación con DevOps
• 1.3. Herramientas esenciales en MLOps
  • Introducción a las herramientas open-source (KubeFlow, MLFlow, etc.)
• Ejercicio 1:
  • Configuración de un entorno de desarrollo en Ubuntu para MLOps.
  • Instalación de herramientas básicas como Docker, Kubernetes, y Kubeflow.

Módulo 2: Infraestructura moderna para MLOps

• 2.1. Arquitectura AI/MLOps en la nube
  • Opciones de implementación: privada, pública y multi-nube.
  • Configuración de una arquitectura de IA en la nube con Ubuntu.
• 2.2. Infraestructura en el edge
  • Arquitectura de AI en el edge: ventajas y desafíos.
  • Casos de uso y ejemplos prácticos.
• Ejercicio 2:
  • Desplegar una arquitectura MLOps en un entorno de nube utilizando Ubuntu.
  • Configuración básica para un entorno Edge AI.

Módulo 3: Diseño de la arquitectura de MLOps

• 3.1. Estrategias de migración a soluciones open source
  • Beneficios de migrar a soluciones open source.
  • Estrategias para la transición de infraestructuras cerradas a open source.
• 3.2. Optimización de recursos en MLOps
  • Técnicas para evitar la infrautilización de recursos.
  • Herramientas para monitorear y optimizar el uso de recursos en Ubuntu.
• Ejercicio 3:
  • Migración de un pipeline de ML a una arquitectura open-source en Ubuntu.
  • Configuración y optimización del uso de GPU en un entorno Ubuntu.

Módulo 4: Procesos y herramientas de MLOps

• 4.1. Implementación de pipelines de ML
  • Introducción a la creación de pipelines utilizando herramientas como Kubeflow.
  • Integración de pipelines en un entorno de producción.
• 4.2. Monitorización y mantenimiento
  • Técnicas para el monitoreo de modelos en producción.
  • Mantenimiento de modelos y gestión de versiones.
• Ejercicio 4:
  • Creación de un pipeline de ML en Kubeflow sobre Ubuntu.
  • Implementación de un sistema de monitorización continua para modelos ML.

Módulo 5: Prácticas avanzadas en MLOps

• 5.1. Optimización de modelos para inferencia
  • Estrategias para mejorar la eficiencia en la inferencia.
  • Uso de herramientas específicas para la optimización de modelos en Ubuntu.
• 5.2. Gestión de ciclos de vida de modelos
  • Implementación de estrategias para la gestión del ciclo de vida completo de los modelos.
  • Casos de uso avanzados de ML en producción.
• Ejercicio 5:
  • Optimización de un modelo para inferencia en un entorno Ubuntu.
  • Implementación de un sistema de gestión de ciclos de vida de modelos en Kubeflow.

Módulo 6: Casos prácticos y talleres

• 6.1. Aplicación de MLOps en un proyecto real
  • Definición de un caso de uso práctico.
  • Implementación completa del ciclo de vida MLOps.
• 6.2. Talleres personalizados y Q&A
  • Talleres en vivo con expertos para resolver dudas.
  • Personalización de los conocimientos adquiridos en casos específicos de la industria.
• Ejercicio 6:
  • Desarrollar y desplegar un proyecto completo de MLOps utilizando las herramientas y conocimientos adquiridos.
  • Participación en un taller en vivo para resolver dudas y mejorar la arquitectura del proyecto.

📚 Materiales y requisitos

• Materiales: Los participantes recibirán acceso a materiales digitales, guías de usuario, ejemplos de código y otros recursos relevantes.
• Requisitos: Conocimientos básicos de machine learning, Python y Linux.

✍ Inscripción

Para inscribirte en este curso completa el formulario que encontrarás a continuación en esta misma página.