趋近智
趋近智
全面指导如何构建高性能、可扩展、低成本的基础设施，以满足严苛的AI工作负载需求。本课程提供先进的策略，用于设计支持整个机器学习 (machine learning)生命周期的系统，从大规模分布式训练到低延迟推理 (inference)服务。你将操作生产级别的工具和技术，进行资源调度、模型优化和财务管理，以应对复杂的AI环境。
先修课程 Python、机器学习与云计算基础
级别:
分布式训练系统
设计并实现分布式训练任务，运用数据并行、模型并行和流水线并行，借助DeepSpeed和PyTorch FSDP等框架。
机器学习高级Kubernetes应用
在Kubernetes上编排复杂的机器学习工作负载，运用高级调度功能，针对GPU、抢占式实例和多租户环境。
推理优化
架构并部署高吞吐量、低延迟的推理服务，运用模型编译、量化和专用服务框架。
可扩展数据系统
构建可扩展的特征存储和数据处理管道，用于实时和批处理计算。
AI财务运营
实施成本管理、归因和优化策略，专为AI和机器学习云支出设计。
生产级MLOps管道
构建自动化、端到端的MLOps管道，包含CI/CD、数据版本控制和模型监控。