Developing and Deploying AI/ML Applications on Red Hat OpenShift AI - self paced

Eine Einführung in die Entwicklung und Bereitstellung von KI/ML-Anwendungen auf Red Hat OpenShift AI.

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

Überblick über den Kursinhalt:

• Einführung in Red Hat OpenShift AI
• Data Science-Projekte
• Jupyter Notebooks
• Installieren von Red Hat OpenShift AI
• Verwalten von Nutzenden und Ressourcen
• Benutzerdefinierte Notebook Images
• Einführung in Machine Learning
• Trainieren von Modellen
• Verbessertes Modelltraining mit RHOAI
• Einführung in die Modellbereitstellung
• Modellbereitstellung in Red Hat OpenShift AI
• Einführung in die Workflow-Automatisierung
• Elyra-Pipelines
• KubeFlow-Pipelines

• 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

• Git-Erfahrung erforderlich
• Erfahrung in der Python-Entwicklung
• Kenntnisse in Red Hat OpenShift oder Abschluss des Kurses Red Hat OpenShift Developer II: Building and Deploying Cloud-native Applications (DO288) erforderlich
• Grundkenntnisse in den Bereichen KI, Data Science und Machine Learning werden empfohlen

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

Installieren von Red Hat OpenShift AI
Red Hat OpenShift AI mit der Webkonsole und CLI installieren und Komponenten von Red Hat OpenShift AI verwalten

Verwalten von Nutzenden und Ressourcen
Nutzende von Red Hat OpenShift AI sowie die Ressourcenzuweisung für Workbenches verwalten

Benutzerdefinierte Notebook Images
Benutzerdefinierte Notebook Images erstellen und benutzerdefinierte Notebooks über das Dashboard von Red Hat OpenShift AI importieren

Einführung in Machine Learning
Grundlegende ML-Konzepte, verschiedene Arten von Machine Learning sowie ML-Workflows beschreiben

Trainieren 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 sind

Modellbereitstellung in Red Hat OpenShift AI
Trainierte ML-Modelle mit OpenShift AI bereitstellen

Benutzerdefinierte Modellserver
ML-Modelle mit benutzerdefinierten Modellbereitstellungs-Runtimes einsetzen und bereitstellen

Einführung in Data Science-Pipelines
Data Science-Pipelines erstellen, ausführen und verwalten sowie Probleme beheben

Elyra-Pipelines
Data Science-Pipelines mit Elyra erstellen

KubeFlow-Pipelines
Data Science-Pipelines mit dem KubeFlow-SDK erstellen