Kontakt aufnehmen

Schulungsübersicht

Einführung in die KI-erweiterten Kubernetes-Operationen

  • Warum KI für moderne Cluster-Betrieb entscheidend ist
  • Grenzen der traditionellen Skalierungs- und Scheduling-Logik
  • Wichtige Konzepte von ML für das Ressourcenmanagement

Grundlagen des Kubernetes-Ressourcenmanagements

  • Grundlagen der Zuweisung von CPU, GPU und Arbeitsspeicher
  • Verständnis von Quotas, Limits und Requests
  • Identifizierung von Engpässen und Ineffizienzen

Machine-Learning-Approaches für das Scheduling

  • Bewachte und unbewachte Modelle für die Workload-Platzierung
  • Prädiktive Algorithmen für den Ressourcenbedarf
  • Einsatz von ML-Features in benutzerdefinierten Schedulern

Reinforcement Learning für intelligentes Autoscaling

  • Wie RL-Agenten aus dem Clusterverhalten lernen
  • Gestaltung von Belohnungsfunktionen für Effizienz
  • Aufbau von RL-gesteuerten Autoscaling-Strategien

Prädiktives Autoscaling mit Metriken und Telemetrie

  • Nutzung von Prometheus-Daten für Prognosen
  • Anwendung von Zeitreihenmodellen auf das Autoscaling
  • Auswertung der Vorhersagegenauigkeit und Feinabstimmung der Modelle

Implementierung von KI-gesteuerten Optimierungs-Werkzeugen

  • Integration von ML-Frameworks mit Kubernetes-Controllern
  • Deployment intelligenter Steuerungs-Schleifen
  • Erweiterung von KEDA für KI-gestützte Entscheidungsfindung

Strategien zur Kosten- und Performance-Optimierung

  • Senkung der Compute-Kosten durch prädiktives Skalieren
  • Verbesserung der GPU-Auslastung durch ML-gesteuerte Platzierung
  • Ausgleich von Latenz, Durchsatz und Effizienz

Praktische Szenarien und Use-Cases aus der Praxis

  • Autoscaling von Hochlast-Anwendungen mit KI
  • Optimierung heterogener Node-Pools
  • Anwendung von ML in Multi-Tenant-Umgebungen

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundverständnis der Kubernetes-Grundlagen
  • Erfahrung mit der Bereitstellung von Container-App-Lösungen
  • Vertrautheit mit Cluster-Betrieb und Ressourcenmanagement

Zielgruppe

  • SREs, die mit großskaligen verteilten Systemen arbeiten
  • Kubernetes-Operatoren, die Workloads mit hohem Bedarf verwalten
  • Platform-Engineers, die die Compute-Infrastruktur optimieren
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (3)

Kommende Kurse

Verwandte Kategorien