Kontakt aufnehmen
 Dauer 21 Stunden

Schulungsübersicht

Einführung in KI-gestützte Kubernetes-Betriebsumgebungen

  • Warum KI für den modernen Clusterbetrieb entscheidend ist
  • Grenzen herkömmlicher Skalierungs- und Scheduling-Logik
  • Wesentliche Konzepte des ML für das Ressourcenmanagement

Grundlagen des Kubernetes-Ressourcenmanagements

  • Grundlagen der CPU-, GPU- und Speicherallokierung
  • Verständnis von Quotas, Limits und Requests
  • Identifizierung von Engpässen und Ineffizienzen

Ansätze des maschinellen Lernens für das Scheduling

  • Überwachte und unüberwachte Modelle für die Workload-Platzierung
  • Prädiktive Algorithmen für die Ressourcenbedarfsvorhersage
  • Einsatz von ML-Merkmalen in benutzerdefinierten SCHEDULERN

Reinforcement Learning für intelligentes Autoscaling

  • Wie RL-Agenten aus dem Clusterverhalten lernen
  • Design von Reward-Funktionen für Effizienz
  • Aufbau von RL-gesteuerten Autoscaling-Strategien

Prädiktives Autoscaling mit Metriken und Telemetrie

  • Nutzung von Prometheus-Daten für Vorhersagen
  • Anwendung von Zeitreihenmodellen im Autoscaling
  • Bewertung der Vorhersagegenauigkeit und Modell-Tuning

Implementierung von KI-gestützten Optimierungswerkzeugen

  • Integration von ML-Frameworks mit Kubernetes-Controllern
  • Bereitstellung intelligenter Kontrollschleifen
  • Erweiterung von KEDA für KI-gestützte Entscheidungsfindung

Strategien zur Optimierung von Kosten und Leistung

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

Praktische Szenarien und reale Anwendungsfälle

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

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundlegendes Verständnis von Kubernetes
  • Erfahrung mit dem Deployment containerisierter Anwendungen
  • Vertrautheit mit Clusterbetrieb und Ressourcenmanagement

Zielgruppe

  • SREs, die mit großskaligen verteilten Systemen arbeiten
  • Kubernetes-Operator, die hochausgelastete Workloads verwalten
  • Plattform-Ingenieure, die ihre Compute-Infrastruktur optimieren

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien