PickAClass · AI, Tech at Inhinyero · Generative AI & Deep Learning

MLOps para sa Generative AI

Mag-focus sa mga hamon sa operasyon ng pag-deploy, pag-monitor, at pagpapanatili ng malalaking generative models. Alamin ang tungkol sa model versioning, performance tracking, cost management, at pagbuo ng matatag na production pipelines.

MLOps para sa Generative AI

Introduksyon sa AIOps: Pagbabago sa IT Operations gamit ang AI

Mga Teknolohiya ng Intel AI para sa Mahusay na Pag-deploy ng Modelo

Pagbuo ng mga Integrasyon ng AI gamit ang Model Context Protocol

Open Source LLMOps: Pagbuo at Pag-deploy ng mga AI Application

Pag-optimize ng ML Workflows: Pag-version, Pag-reproduce, at Pag-track ng mga Model

Mga Saligan ng AI Engineering at MLOps

Gabay sa Event Storming: Pagmamapa ng mga Business Domain tungo sa mga Software Model

Pag-iiskedyul ng Operating System: Panggagaya at Pagsusuri ng MLFQ

Pamamahala ng Elixir Supervisors: Custom Lifecycle Control sa OTP

ML System Design: Pagpili at Pagbibigay-Katuwiran sa mga Uri ng Task para sa mga Interview

ML Model Deployment at Testing Patterns sa AWS

Pagsusuri ng mga Generative AI Model gamit ang Bedrock

Panimula sa Kubeflow: Pamamahala ng mga Machine Learning Workflow

Mga Pundasyon ng MLOps: Pamamahala ng mga ML Lifecycle gamit ang MLflow at Hugging Face

Mga Pundasyon ng MLOps: Pag-deploy ng mga Machine Learning Model sa Production

Mga Batayan ng Version Control gamit ang CVS

CPU Inference gamit ang Florence-2 at ONNX sa C#