AI267 Developing and Deploying AI/ML Applications on Red Hat OpenShift AI VT

Dieses virtuelle Training ist eine Einführung  in die Entwicklung und Bereitstellung von KI/ML-Anwendungen auf Red Hat OpenShift AI. Der Kurs vermittelt Teilnehmenden grundlegende Kenntnisse darüber, wie sie KI/ML-Anwendungen mit Red Hat OpenShift entwickeln und bereitstellen können. Die Teilnehmenden erwerben durch praktische Erfahrungen wichtige Kompetenzen für die Verwendung von Red Hat OpenShift AI zum Trainieren, Entwickeln und Bereitstellen von ML-Modellen (Machine Learning).
Jetzt beraten lassen

Physisch oder virtuell?

Nehmen Sie an einem unserer Standorte oder virtuell an unseren Klassenraumtrainings teil. Unter “Termin buchen” werden Ihnen alle Optionen angezeigt, zuerst sortiert nach Standort, dann nach Datum.

  • Data Scientists und KI-Fachkräfte, die Red Hat OpenShift AI zum Erstellen und Trainieren von ML-Modellen verwenden möchten
  • Entwicklungsteams, die KI/ML-fähige Anwendungen entwickeln und integrieren möchten
  • MLOps Engineers, die für die Installation, Konfiguration, Bereitstellung und Überwachung von KI/ML-Anwendungen auf Red Hat OpenShift AI verantwortlich sind

  • Data Scientists und KI-Fachkräfte, die Red Hat OpenShift AI zum Erstellen und Trainieren von ML-Modellen verwenden möchten
  • Entwicklungsteams, die KI/ML-fähige Anwendungen entwickeln und integrieren möchten
  • MLOps Engineers, die für die Installation, Konfiguration, Bereitstellung und Überwachung von KI/ML-Anwendungen auf Red Hat OpenShift AI verantwortlich sind

Was werden Sie in diesem Training erlernen?

Nach diesem Training:
  • identifizieren Sie die zentralen Funktionen sowie die Architektur von Red Hat OpenShift AI. 
  • organisieren Sie Data‑Science‑Projekte mithilfe von Workbenches, Datenverbindungen und Projektstrukturen. 
  • nutzen Sie Jupyter Notebooks zur interaktiven Ausführung und zum Testen von Code.
  • installieren und verwalten Sie Red Hat OpenShift AI und dessen Komponenten.
  • verwalten Sie Benutzer*innen und Ressourcen in OpenShift AI. 
  • erstellen und importieren Sie benutzerdefinierte Notebook‑Images. 
  • verstehen und wenden grundlegende Machine‑Learning‑Konzepte und Workflows an. 
  • trainieren Sie ML‑Modelle mit Standard‑ und Custom‑Workbenches und setzen Best Practices mit RHOAI um. 
  • stellen Sie ML‑Modelle in Red Hat OpenShift AI bereit. 
  • erstellen und steuern Sie Data‑Science‑Pipelines mithilfe von Elyra‑ und Kubeflow‑Pipelines. 

Agenda

Einführung in Red Hat OpenShift AI
Die wichtigsten Funktionen von Red Hat OpenShift AI identifizieren und die Architektur und Komponenten von Red Hat AI beschreiben
Data Science-Projekte
Code und Konfiguration mithilfe von Data Science-Projekten, Workbenches und Datenverbindungen organisieren
Jupyter Notebooks
Jupyter Notebooks zum interaktiven Ausführen und Testen von Code verwenden
Installation von Red Hat OpenShift AI
Red Hat OpenShift AI installieren und Red Hat OpenShift AI Komponenten verwalten
Nutzer- und Ressourcenverwaltung
Nutzende von Red Hat OpenShift AI verwalten und Ressourcen zuweisen
Benutzerdefinierte Notebook Images
Notebook Images in Red Hat OpenShift AI erstellen und importieren
Einführung in Machine Learning
Verschiedene Arten von Machine Learning (ML), grundlegende ML-Konzepte sowie ML-Workflows beschreiben
Training von Modellen
Modelle mit standardmäßigen und benutzerdefinierten Workbenches trainieren
Verbessertes Modelltraining mit RHOAI
Mit RHOAI Best Practices in Machine Learning und Data Science anwenden
Einführung in die Modellbereitstellung
Konzepte und Komponenten beschreiben, die zum Exportieren, Freigeben und Bereitstellen von trainierten ML-Modellen erforderlich sindKonzepte und Komponenten beschreiben, die zum Exportieren, Freigeben und Bereitstellen von trainierten ML-Modellen erforderlich sind
Modellbereitstellung in Red Hat OpenShift AI
Trainierte ML-Modelle mit OpenShift AI bereitstellen
Einführung in Data Science Pipelines
Data Science Pipelines definieren und einrichten
Arbeiten mit Pipelines
Data Science Pipelines mit dem Kubeflow-SDK und Elyra erstellen
Steuerung von Pipelines und Experimenten
Pipelines mit Artefakten, Metriken und Experimenten konfigurieren, überwachen und nachverfolgen
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications
  • Group Exercise: Review Architecting on AWS core best practices
  • AWS Organizations for multi-account access and permissions
  • AWS SSO to simplify access and authentication across AWS accounts and third-party services
  • AWS Control Tower
  • Permissions, access, and authentication
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications

Dein Training im Überblick

Dauer 4 Tage
Trainingssprache Deutsch
Nicht verfügbar

2.805,00 €

Startdatum und Ort wählen

Terminübersicht