Red Hat OpenShift AI-ի վրա արհեստական բանականության/մեքենայական ուսուցման ծրագրերի մշակում և տեղակայում

Դասընթացի Իդ : AI267

Դասի տևողությունը (օրերով) : 5 օր

Տևողությունը առցանց : 5 օր

Ուսումնական պլան : Անձամբ, Virtual Instructor-Led Training - ONLINE

Ակնարկ

Գործարկեք ժամանակակից արհեստական բանականության կիրառությունների ամբողջական կյանքի ցիկլը մասշտաբային՝ օգտագործելով Red Hat OpenShift AI-ը։

Արհեստական բանականության/մեթոդական ուսուցման կիրառությունների մշակումը և տեղակայումը Red Hat OpenShift AI-ի վրա (AI267) ուսանողներին տրամադրում է հիմնարար գիտելիքներ՝ ժամանակակից արհեստական բանականության կիրառությունների ամբողջական կյանքի ցիկլը կառավարելու համար։ Այս դասընթացը օգնում է ուսանողներին զարգացնել Red Hat OpenShift AI-ն օգտագործելու հիմնական հմտություններ՝ արդյունավետորեն մարզելու, փորձարկելու, տեղակայելու և վերահսկելու ինչպես կանխատեսող, այնպես էլ գեներատիվ արհեստական բանականության մոդելները մասշտաբային։

Այս դասընթացը հիմնված է Red Hat OpenShift ® 4.20 և Red Hat OpenShift AI 3.3 տարբերակների վրա։

Այս դասընթացի լսարանը

Linux համակարգի ադմինիստրատորներ։
Մեքենայական ուսուցման ինժեներներ, որոնք պատասխանատու են MLOps և LLMOps կյանքի ցիկլի ընթացքում առաջադրանքների տեղակայման, ավտոմատացման և մոնիթորինգի համար։
Տվյալների գիտնականներ, որոնք մարզում, տեղակայում և մոնիթորինգ են անում Red Hat OpenShift AI-ի միջոցով՝ օգտագործելով հատուկ մոդելներ։

Նպատակը

OpenShift AI-ի սահմանումը որպես միասնական MLOps և GenAIOps հարթակ և տվյալների վերլուծության նախագծերի կարգավորում թիմային համագործակցության համար։
AI/ML մշակման աշխատանքային հոսքերի ստեղծում, կարգավորում և կառավարում և տվյալների աղբյուրներին կապ։
Մոդելների պատրաստում, տեղակայում և գործարկում՝ օգտագործելով OpenShift AI Model Serving runtime-ը։
Գեներատիվ և կանխատեսող AI մոդելների տեղակայում՝ օգտագործելով OpenVINO և vLLM։
Տեղակայված մոդելների մոնիթորինգ՝ շեղման, տվյալների շեղման և կատարողականության չափանիշների համար՝ օգտագործելով TrustyAI։
Տվյալների խողովակաշարերի ստեղծում և կառավարում՝ օգտագործելով Elyra-ն և Kubeflow Pipelines SDK-ն։
Տվյալների խողովակաշարերի առաջադեմ գործառույթների ներդրում, ներառյալ կոնտեյներային բաղադրիչները, արտեֆակտների կառավարումը և փորձերի հետևումը։
Մեծ լեզվական մոդելների ընտրություն, օպտիմալացում և գնահատում՝ օգտագործելով OpenShift AI մոդելային կատալոգը և LMEval-ը։
Արտադրության համար պատրաստ AI-ի ստեղծում ծրագրեր, ներառյալ RAG և գործակալների վրա հիմնված աշխատանքային հոսքեր՝ պաշտպանության միջոցներով։

Այս դասընթացի նախադրյալները

Մեքենայական ուսուցման սկզբունքների և աշխատանքային հոսքերի հիմնական ըմբռնում։
Գեներատիվ արհեստական բանականության և մեծ լեզվական մոդելների հիմնական ըմբռնում (LLM):
Git-ի հետ աշխատելու հիմնական փորձ։
Python-ով ծրագրավորման փորձ կամ «Ծրագրավորում Python-ում Red Hat-ով» դասընթացի ավարտ (AD141):

Արդյունքներ

Դասընթացն ավարտելուց հետո ուսանողները ձեռք կբերեն հմտություններ, որոնք նրանց թույլ կտան՝

- Կառավարել կյանքի ամբողջական կյանքի ցիկլը ժամանակակից կիրառություններ արհեստական բանականություն, արդյունավետ ուսուցում, փորձարկում, բացահայտում և հետևում ինչպես կանխատեսողական, ուստի և արհեստական մոդելների ստեղծում բանականության մասշտաբով մասշտաբով.
- Կարգավորել նախագծերը համագործակցելու համար տվյալների, արդյունավետ օգտագործել միջավայրեր աշխատանքային սեղան և նշանակել մասնագիտացված ռեսուրսներ։
- Պատրաստել, Տեղադրել և Մատուցել Մոդելներ կատարմամբ օգտագործելով մասնագիտացված կատարմամբ.
- Ավտոմատացնել աշխատանքային գործընթացներ MLOps յուրաքանչյուր հաշվի ստեղծում առաջադեմ խողովակաշարեր մշակում տվյալներ և ստեղծում պատրաստ արտադրության լուծումներ GenAI:

Ուրվագիծ

Ներածություն Red Hat OpenShift AI-ին
Նույնականացրեք, թե ինչպես է Red Hat OpenShift AI-ը ապահովում MLOps և GenAIOps ամբողջական հարթակ և ինչպես օգտագործել այն թիմային համագործակցության համար տվյալագիտական նախագծերը կարգավորելու համար։
Աշխատանքային սեղանների օգտագործումը AI/ML մշակման համար
Օգտագործեք աշխատանքային սեղանների միջավայրերը AI/ML մշակման համար և կապեք դրանք տվյալների աղբյուրների և պահեստների հետ։
Մոդելների սպասարկման հիմունքներ
Պատրաստեք, տեղակայեք և սպասարկեք մոդելներ՝ օգտագործելով OpenShift AI մոդելի սպասարկման հնարավորությունները։
Գեներատիվ և կանխատեսող AI մոդելների սպասարկում
Տեղակայեք և սպասարկեք AI մոդելներ որոշակի աշխատանքային ժամանակներով, ներառյալ OpenVINO-ն կանխատեսող մոդելների համար և vLLM-ը՝ մեծ լեզվական մոդելների համար։
AI մոդելների մոնիթորինգ
Հսկեք տեղակայված մոդելները շեղման, տվյալների շեղման և կատարողականության համար՝ օգտագործելով Վստահելի արհեստական բանականություն և դիտարկելիության գործիքներ՝ արտադրության մեջ արհեստական բանականության հուսալի և էթիկական կատարողականությունն ապահովելու համար։
Ներածություն տվյալների գիտության խողովակաշարերին
Ստեղծեք և կառավարեք տվյալների գիտության հիմնական խողովակաշարերը՝ օգտագործելով Elyra-ն և Kubeflow SDK-ն՝ արհեստական բանականության/մեքենայական ուսուցման հիմնարար աշխատանքային հոսքերը ավտոմատացնելու համար:
Ընդլայնված Kubeflow խողովակաշարերի մշակում և փորձարկումներ
Կիրառեք առաջադեմ խողովակաշարերի գործառույթներ, ներառյալ կոնտեյներների բաղադրիչները, արտեֆակտների կառավարումը, Kubernetes կոնֆիգուրացիան և MLOps արտադրական աշխատանքային հոսքերի համար համակարգված փորձարկումները:
GenAI մոդելի ընտրություն, օպտիմալացում և գնահատում
Համակարգված կերպով ընտրեք, օպտիմալացրեք և գնահատեք մեծ լեզվական մոդելներ՝ օգտագործելով RHOAI-ի մոդելային կատալոգը, սեղմման տեխնիկան և գնահատման շրջանակները:
GenAI կիրառությունների կառուցում
Կառուցեք արտադրության համար պատրաստ GenAI կիրառություններ՝ օգտագործելով արդյունաբերական մոդելներ, ներառյալ RAG, գործակալական աշխատանքային հոսքեր և վստահելի արհեստական բանականության պրակտիկա, և անցեք հիմնական մոդելի ծառայություններից այն կողմ՝ ամբողջական ինտելեկտուալ լուծումներ մատակարարելու համար: