MLOps en Kubernetes: Pipelines de CI/CD para Machine Learning

Esta capacitación impartida por un instructor en vivo en Colombia (en línea o presencial) está dirigida a ingenieros de IA y científicos de datos de nivel avanzado con experiencia intermedia a avanzada, que deseen mejorar el rendimiento de los modelos DeepSeek, minimizar la latencia y desplegar soluciones de IA de manera eficiente utilizando prácticas modernas de MLOps.

Al finalizar esta capacitación, los participantes podrán:

• Optimizar los modelos DeepSeek para lograr eficiencia, precisión y escalabilidad.
• Implementar las mejores prácticas en MLOps y control de versiones de modelos.
• Desplegar modelos DeepSeek en infraestructura cloud y on-premise.
• Monitorear, mantener y escalar soluciones de IA de manera efectiva.

DO180 es un curso de introducción a los contenedores, los fundamentos de Kubernetes y los conceptos de la plataforma Red Hat OpenShift, con enfoque en habilidades prácticas.

Esta capacitación impartida por un instructor, en vivo (en línea o en sitio), está dirigida a profesionales técnicos de nivel principiante a intermedio que deseen aprender flujos de trabajo con contenedores, primitivas de Kubernetes y cómo desplegar y operar aplicaciones en OpenShift.

Al finalizar esta capacitación, los participantes serán capaces de:

• Crear y gestionar imágenes de contenedores y registros siguiendo las mejores prácticas para garantizar la reproducibilidad y la seguridad.
• Desplegar y gestionar objetos de Kubernetes, como pods, despliegues y servicios, en OpenShift.
• Utilizar funciones de OpenShift, incluidas rutas, configuraciones de compilación (buildconfigs) y la consola web, para optimizar la entrega de aplicaciones.
• Implementar almacenamiento persistente, gestión de configuraciones y manejo de secretos para cargas de trabajo con estado.
• Aplicar prácticas básicas de seguridad, control de acceso basado en roles (RBAC) y monitoreo para mantener clusters y aplicaciones saludables.

Formato del curso

• Clases interactivas y debates.
• Laboratorios prácticos en un entorno OpenShift en vivo cada día.
• Ejercicios basados en escenarios y talleres de resolución de problemas.

Opciones de personalización del curso

• Para solicitar una capacitación personalizada para este curso, contáctenos para coordinarlo.

Docker es una plataforma de contenerización utilizada para construir entornos reproducibles, portátiles y escalables para sistemas de aprendizaje automático (ML).

Esta capacitación impartida por instructores, en vivo (en línea o presencial), está dirigida a profesionales técnicos de nivel intermedio a avanzado que deseen contenerizar y poner en operación pipelines completos de ML utilizando Docker.

Al finalizar esta capacitación, los participantes podrán:

• Contenerizar cargas de trabajo de entrenamiento, validación e inferencia en ML.
• Diseñar y orquestar pipelines de ML de extremo a extremo utilizando Docker y herramientas complementarias.
• Implementar versionamiento, reproducibilidad e integración y despliegue continuo (CI/CD) para componentes de ML.
• Desplegar, monitorear y escalar servicios de ML en entornos contenerizados.

Formato del Curso

• Charlas interactivas respaldadas por demostraciones prácticas.
• Ejercicios prácticos enfocados en la construcción de componentes reales de pipelines de ML.
• Implementación en laboratorio en vivo para flujos de trabajo contenerizados de extremo a extremo.

Opciones de Personalización del Curso

• Para capacitaciones personalizadas alineadas con necesidades específicas de infraestructura de ML, contáctenos para discutir las opciones disponibles.

Esta capacitación en vivo, impartida por un instructor en Colombia (en línea o presencial), está dirigida a ingenieros que desean utilizar Helm para optimizar el proceso de instalación y gestión de aplicaciones en Kubernetes.

Al finalizar esta capacitación, los participantes podrán:

• Instalar y configurar Helm.
• Crear compilaciones reproducibles de aplicaciones de Kubernetes.
• Compartir aplicaciones como gráficos de Helm (Helm charts).
• Ejecutar aplicaciones de terceros guardadas como gráficos de Helm.
• Gestionar las versiones de los paquetes de Helm.

Esta formación en vivo, impartida por un instructor en <ubicación> (en línea o presencial), está dirigida a desarrolladores y científicos de datos que desean construir, desplegar y gestionar flujos de trabajo de machine learning en Kubernetes.

Al finalizar esta formación, los participantes serán capaces de:

• Instalar y configurar Kubeflow en entornos on-premise y en la nube utilizando AWS EKS (Elastic Kubernetes Service).
• Construir, desplegar y gestionar flujos de trabajo de ML basados en contenedores Docker y Kubernetes.
• Ejecutar pipelines completos de machine learning en diversas arquitecturas y entornos de nube.
• Utilizar Kubeflow para generar y gestionar notebooks de Jupyter.
• Crear cargas de trabajo de entrenamiento de ML, ajuste de hiperparámetros y servicio en múltiples plataformas.

Esta capacitación en vivo, impartida por un instructor en Colombia (en línea o en sitio), está dirigida a ingenieros que deseen desplegar cargas de trabajo de aprendizaje automático en un servidor AWS EC2.

Al finalizar esta capacitación, los participantes serán capaces de:

• Instalar y configurar Kubernetes, Kubeflow y otro software necesario en AWS.
• Utilizar EKS (Elastic Kubernetes Service) para simplificar la tarea de inicializar un clúster de Kubernetes en AWS.
• Crear y desplegar un pipeline de Kubernetes para automatizar y gestionar modelos de aprendizaje automático en producción.
• Entrenar y desplegar modelos de aprendizaje automático de TensorFlow en múltiples GPUs y máquinas ejecutándose en paralelo.
• Aprovechar otros servicios administrados de AWS para extender una aplicación de aprendizaje automático.

Este entrenamiento presencial, impartido por un instructor en Colombia (en línea o in situ), está dirigido a ingenieros que deseen desplegar cargas de trabajo de aprendizaje automático en la nube de Azure.

Al finalizar este entrenamiento, los participantes serán capaces de:

• Instalar y configurar Kubernetes, Kubeflow y otros software necesarios en Azure.
• Utilizar Azure Kubernetes Service (AKS) para simplificar la tarea de inicializar un clúster de Kubernetes en Azure.
• Crear y desplegar una tubería de Kubernetes para automatizar y gestionar modelos de aprendizaje automático en producción.
• Entrenar y desplegar modelos de aprendizaje automático de TensorFlow en múltiples GPU y máquinas ejecutándose en paralelo.
• Aprovechar otros servicios administrados de AWS para extender una aplicación de aprendizaje automático.

Kubeflow es una plataforma de código abierto diseñada para agilizar la construcción, el entrenamiento y el despliegue de cargas de trabajo de aprendizaje automático en Kubernetes.

Esta capacitación impartida por un instructor, en vivo (en línea o en el sitio), está dirigida a profesionales de nivel principiante a intermedio que deseen crear flujos de trabajo de ML confiables utilizando Kubeflow.

Al finalizar esta capacitación, los asistentes adquirirán las habilidades para:

• Navegar por el ecosistema de Kubeflow y sus componentes principales.
• Construir flujos de trabajo reproducibles con Kubeflow Pipelines.
• Ejecutar trabajos de entrenamiento escalables en Kubernetes.
• Servir modelos de aprendizaje automático de manera eficiente mediante Kubeflow Serving.

Formato del Curso

• Presentaciones guiadas y discusiones colaborativas.
• Laboratorios prácticos con componentes reales de Kubeflow.
• Ejercicios prácticos para construir flujos de trabajo de ML de extremo a extremo.

Opciones de Personalización del Curso

• Se pueden organizar versiones personalizadas de esta capacitación para alinearlas con la pila tecnológica y los requisitos de proyectos de su equipo.

Esta capacitación en vivo, impartida por un instructor en Colombia (en línea o presencial), está dirigida a desarrolladores y científicos de datos que deseen crear, implementar y gestionar flujos de trabajo de aprendizaje automático en Kubernetes.

Al finalizar esta capacitación, los participantes podrán:

• Instalar y configurar Kubeflow tanto en entornos locales (on-premise) como en la nube.
• Construir, implementar y gestionar flujos de trabajo de ML basados en contenedores Docker y Kubernetes.
• Ejecutar pipelines completos de aprendizaje automático en diversas arquitecturas y entornos en la nube.
• Utilizar Kubeflow para crear y gestionar notebooks de Jupyter.
• Desarrollar cargas de trabajo de entrenamiento de ML, ajuste de hiperparámetros y servicios en múltiples plataformas.

Esta capacitación en vivo, impartida por un instructor en Colombia (en línea o presencial), está dirigida a desarrolladores de software y profesionales de DevOps con niveles principiantes a intermedios que deseen aprender a configurar y administrar un entorno local de Kubernetes utilizando Minikube.

Al finalizar esta capacitación, los participantes podrán:

• Instalar y configurar Minikube en su equipo local.
• Comprender los conceptos básicos y la arquitectura de Kubernetes.
• Implementar y gestionar contenedores mediante kubectl y el panel de control de Minikube.
• Configurar soluciones de almacenamiento persistente y redes para Kubernetes.
• Aprovechar Minikube para desarrollar, probar y depurar aplicaciones.

Este entrenamiento presencial, impartido por un instructor en Colombia (en línea o en sitio), está dirigido a desarrolladores de nivel intermedio e ingenieros de DevOps que desean incorporar Minikube en su flujo de trabajo de desarrollo.

Al finalizar este entrenamiento, los participantes podrán:

• Configurar y administrar un entorno local de Kubernetes utilizando Minikube.
• Comprender cómo desplegar, gestionar y depurar aplicaciones en Minikube.
• Integrar Minikube en sus pipelines de integración y despliegue continuo.
• Optimizar su proceso de desarrollo aprovechando las funcionalidades avanzadas de Minikube.
• Aplicar las mejores prácticas para el desarrollo local con Kubernetes.

Esta capacitación impartida por un instructor, en vivo (en línea o presencial), está dirigida a científicos de datos que desean ir más allá de la construcción de modelos de ML y optimizar los procesos de creación, seguimiento e implementación de dichos modelos.

Al finalizar esta capacitación, los participantes serán capaces de:

• Instalar y configurar MLflow, así como las bibliotecas y frameworks relacionados con ML.
• Comprender la importancia de la trazabilidad, reproducibilidad y capacidad de implementación de un modelo de ML.
• Implementar modelos de ML en diversas nubes públicas, plataformas o servidores locales.
• Escalar el proceso de implementación de ML para soportar la colaboración de múltiples usuarios en un proyecto.
• Configurar un registro central para experimentar, reproducir e implementar modelos de ML.

Esta formación impartida por un instructor en vivo en Colombia (en línea o presencial) está dirigida a ingenieros que deseen evaluar los enfoques y herramientas disponibles actualmente para tomar una decisión informada sobre el camino a seguir en la adopción de MLOps dentro de su organización.

Al finalizar esta formación, los participantes serán capaces de:

• Instalar y configurar diversos marcos de trabajo y herramientas de MLOps.
• Conformar el equipo adecuado con las competencias necesarias para construir y dar soporte a un sistema de MLOps.
• Preparar, validar y versionar datos para su uso por parte de modelos de aprendizaje automático.
• Comprender los componentes de un pipeline de aprendizaje automático y las herramientas necesarias para construir uno.
• Experimentar con diferentes marcos de trabajo y servidores de aprendizaje automático para el despliegue en producción.
• Operacionalizar todo el proceso de aprendizaje automático para que sea reproducible y mantenible.