LearnFlat · AI, Technologia i Inżynieria · Generatywna AI i Deep Learning

MLOps dla Generatywnej AI

Skoncentruj się na wyzwaniach operacyjnych związanych z wdrażaniem, monitorowaniem i utrzymaniem modeli generatywnych na dużą skalę. Dowiedz się o wersjonowaniu modeli, śledzeniu wydajności, zarządzaniu kosztami i budowaniu solidnych potoków produkcyjnych.

113 courses

MLOps dla Generatywnej AI

Zbuduj własny serwer MCP dla swojego SaaS

Fundamenty MCP: Połącz LLMs ze swoimi danymi i narzędziami

LLMOps dla początkujących: Tracing, Caching i zarządzanie tokenami

Model Context Protocol (MCP): Buduj własne serwery AI

Podstawy LLMOps: Wdrażanie, wersjonowanie i monitorowanie LLMs

Przewodnik programisty po protokole MCP (Model Context Protocol) i agentach AI

Wdrażanie modeli uczenia maszynowego za pomocą Pythona, Flaska i MLOps

LLMOps Foundations: Wdrażanie LLM z Jenkinsem, Dockerem i Kubernetes

LLMOps i generatywna sztuczna inteligencja: wdrażanie modeli produkcyjnych

Nowoczesna inżynieria jakości: automatyzacja, DevOps i testowanie oparte na sztucznej inteligencji

Wdrażanie LLM i LLMOps: Skalowanie modeli w produkcji

Model Context Protocol (MCP): Tworzenie agentów AI z Pythonem i Claude

Tworzenie agentów AI z wykorzystaniem protokołu Model Context Protocol (MCP)

Testowanie modeli za pomocą TPT: weryfikacja modeli Simulink

Podstawy uczenia maszynowego i MLOps

Potok danych i wdrażanie modelu w TensorFlow

Projektowanie produkcyjnych systemów uczenia maszynowego na GCP

Zarządzanie cyklami życia uczenia maszynowego za pomocą MLflow

Strategie wdrażania i obsługi modelu TensorFlow

MLOps i orkiestracja potoków na platformie chmurowej

Monitorowanie i obserwowalność modelu uczenia maszynowego

Monitorowanie modelu uczenia maszynowego za pomocą Pythona

Podstawy LLMOps: wdrażanie i zarządzanie modelami AI

Nowoczesna inżynieria uczenia maszynowego: od podstaw do zaawansowanych modeli