お問い合わせ
 期間 21 時間

コース概要

AI強化型Kubernetes運用の入門

  • なぜAIが現代的クラスタ運用に重要か
  • 従来のスケーリングおよびスケジューリングロジックの限界
  • リソース管理におけるMLの主要概念

Kubernetesリソース管理の基礎

  • CPU、GPU、メモリ割り当ての基礎
  • クォータ、制限、リクエストの理解
  • ボトルネックと非効率性の特定

スケジューリングのための機械学習アプローチ

  • ワークロード配置のための教師ありおよび教師なしモデル
  • リソース需要のための予測アルゴリズム
  • カスタムスケジューラーにおけるML特徴の使用

インテリジェントなオートスケーリングのための強化学習

  • RLエージェントがクラスタの動作からどのように学習するか
  • 効率のための報酬関数の設計
  • RL駆動のオートスケーリング戦略の構築

メトリクスとテレメトリを用いた予測オートスケーリング

  • Prometheusデータを予測に使用する方法
  • オートスケーリングへの時系列モデルの適用
  • 予測精度の評価とモデルのチューニング

AI駆動型最適化ツールの実装

  • MLフレームワークをKubernetesコントローラーに統合する方法
  • インテリジェントな制御ループのデプロイ
  • KEDAを拡張してAI支援の意思決定を行う方法

コストとパフォーマンスの最適化戦略

  • 予測スケーリングによる計算コストの削減
  • ML駆動の配置によるGPU利用率の向上
  • レイテンシ、スループット、効率のバランス調整

実践シナリオと実世界のユースケース

  • AIを用いた高負荷アプリケーションのオートスケーリング
  • ヘテロニアスなノードプールの最適化
  • マルチテナント環境へのMLの適用

まとめと次のステップ

要求

  • Kubernetesの基本知識
  • コンテナ化アプリケーションのデプロイ経験
  • クラスタ運用とリソース管理の習熟度

対象読者

  • 大規模分散システムで働くSRE
  • 高負荷ワークロードを管理するKubernetesオペレーター
  • 計算インフラを最適化するためのプラットフォームエンジニア

参加者の人数


参加者1人あたりの価格

お客様の声 (2)

今後のコース

関連カテゴリー