Technologie / Sztuczna inteligencja

Kubeflow — orkiestracja uczenia maszynowego na Kubernetes od pipeline do produkcji

Pięciodniowe szkolenie Kubeflow na Kubernetes — Kubeflow Pipelines, KFServing, Katib (hyperparameter tuning), Notebook Servers, Feature Store, model serving, monitoring, CI/CD dla ML, bezpieczeństwo RBAC.

Kubeflow to nie „Jupyter na Kubernetes” — to platforma, która wymaga zrozumienia zarówno ML jak i K8s

Data Scientist buduje model w notebooku. Potem: „wdróż to na produkcję”. I zaczyna się problem — Docker, Kubernetes, pipeline’y, serving, monitoring, autoscaling, GPU scheduling, RBAC. Kubeflow rozwiązuje to: daje platformę, gdzie pipeline ML (od danych przez trenowanie po serving) działa na Kubernetes z automatyzacją, wersjonowaniem i monitoringiem. Ale wymaga wiedzy z OBU światów: ML (frameworki, trenowanie, ewaluacja) i K8s (pods, PVC, RBAC, Istio).

Pięciodniowe szkolenie: od architektury Kubeflow (komponenty, instalacja, Notebook Servers) i budowy pipeline’ów (Kubeflow Pipelines SDK, DAG, eksperymenty), przez distributed training (TFJob, PyTorchJob) i hyperparameter tuning (Katib), model serving (KServe, canary releases, inference pipeline), po MLOps (CI/CD dla ML, model registry, automatyczne retrenowanie), monitoring (Prometheus, data drift) i bezpieczeństwo (RBAC, Istio, multi-tenancy).

Dla kogo jest to szkolenie?

Dla inżynierów budujących platformy ML na Kubernetes. Szczególnie gdy:

Wdrażasz Kubeflow w organizacji i potrzebujesz wiedzy od instalacji po produkcyjny pipeline z monitoringiem
Jesteś DevOps/Platform Engineer i Twój zespół ML potrzebuje infrastruktury do trenowania i servingu modeli na K8s
Operacjonalizujesz modele ML — chcesz zastąpić „rsync modelu na serwer” pipeline’em z CI/CD, wersjonowaniem i canary releases

Pięć dni: od instalacji do platformy MLOps

Dzień 1: Architektura i środowisko — komponenty Kubeflow, instalacja na klaster, Dashboard, Notebook Servers, integracja ze storage (PVC, S3/MinIO).

Dzień 2: Pipelines — architektura (Argo Workflows), budowa komponentów (kfp SDK), projektowanie DAG, zarządzanie eksperymentami, wersjonowanie i CI/CD triggers.

Dzień 3: Trenowanie — distributed training (TFJob, PyTorchJob, MPI), Katib (hyperparameter tuning), Feature Store (Feast), zarządzanie GPU, monitoring (TensorBoard).

Dzień 4: Serving — KServe (deployment, autoscaling, canary), frameworki (TF Serving, TorchServe, ONNX), inference pipeline (pre/post-processing), monitoring produkcyjny, data drift detection.

Dzień 5: MLOps i bezpieczeństwo — CI/CD dla ML (automatyczne retrenowanie), model registry (promotion, rollback), bezpieczeństwo (RBAC, Istio, multi-tenancy), skalowanie i koszty, case study end-to-end.

Z ponad 2500 szkoleń w ofercie i oceną 4.8/5, EITT jest zaufanym partnerem w rozwoju kompetencji. Skontaktuj się z nami — organizujemy szkolenia Kubeflow zamknięte dla zespołów MLOps i platform engineering.

Korzyści

Wdrożyć Kubeflow na klaster Kubernetes — instalacja, konfiguracja, profle użytkowników
Budować pipeline'y ML z Kubeflow Pipelines SDK — komponenty, DAG, parametry, wersjonowanie
Konfigurować distributed training (TFJob, PyTorchJob) i hyperparameter tuning (Katib)
Wdrażać modele z KServe — autoscaling, canary releases, inference pipeline, monitoring
Projektować CI/CD dla ML — automatyczne retrenowanie, model registry, promotion workflow
Zabezpieczać platformę ML — RBAC, Istio, network policies, multi-tenancy

Dla kogo jest to szkolenie?

Inżynierowie MLOps wdrażający pipeline'y ML w środowisku Kubernetes

DevOps specjaliści rozszerzający infrastrukturę o platformę ML

Data Scientists chcący operacjonalizować modele — od notebooka do produkcji

Architekci rozwiązań chmurowych projektujący platformy AI/ML

Inżynierowie platformy (Platform Engineers) budujący wewnętrzne platformy ML

Administratorzy Kubernetes zarządzający workloadami ML

Wymagania wstępne

Praktyczna znajomość Kubernetes — pods, deployments, services, PVC, RBAC
Doświadczenie z konteneryzacją — Docker, budowa obrazów, registry
Znajomość Python i podstaw ML — trenowanie modeli, ewaluacja, frameworki (TensorFlow/PyTorch)
Podstawowa znajomość CI/CD — GitHub Actions, Jenkins lub Tekton

Program szkolenia

Architektura Kubeflow — komponenty (Pipelines, KFServing, Katib, Notebooks), relacje z Kubernetes
Instalacja i konfiguracja — kfctl, manifests, deployment na klaster (on-prem, GKE, EKS, AKS)
Kubeflow Dashboard — nawigacja, profle użytkowników, namespace isolation
Notebook Servers — JupyterHub na Kubernetes, PVC, obrazy GPU, zarządzanie zasobami
Integracja z storage — PersistentVolumes, S3/GCS/MinIO, zarządzanie danymi treningowymi

Architektura Pipelines — Argo Workflows, metadata store, artifact storage
Budowa komponentów pipeline — Python SDK (kfp), ContainerOp, tworzenie reużywalnych komponentów
Projektowanie pipeline'ów — DAG, zależności, parametry, warunkowe wykonanie
Zarządzanie eksperymentami — runs, recurring runs, porównywanie wyników
Pipeline wersjonowanie — Git integration, CI/CD triggers, reprodukowalność

Distributed training — TFJob, PyTorchJob, MPI Operator — trenowanie na wielu GPU/węzłach
Katib — automatyczny hyperparameter tuning (grid search, random, Bayesian, NAS)
Feature Store — Feast integration, zarządzanie cechami, train-serve consistency
Zarządzanie zasobami GPU — scheduling, quotas, node affinity, preemption
Monitoring trenowania — TensorBoard, metryki, wizualizacja eksperymentów

KFServing / KServe — deployment modeli, autoscaling, canary releases, A/B testing
Obsługiwane frameworki — TensorFlow Serving, TorchServe, ONNX, custom predictors
Inference pipeline — pre/post-processing, transformer, explainer
Monitoring produkcyjny — Prometheus/Grafana, latency, throughput, error rate
Data drift detection — Seldon Alibi Detect, monitorowanie jakości predykcji

CI/CD dla ML — GitHub Actions/Tekton → Kubeflow Pipelines, automatyczne retrenowanie
Model Registry — wersjonowanie modeli, promotion (staging → production), rollback
Bezpieczeństwo — RBAC, Istio, network policies, secrets management, multi-tenancy
Skalowanie platformy — right-sizing, cluster autoscaler, spot instances, cost optimization
Case study: end-to-end MLOps — od danych surowych przez pipeline po model serving z monitoringiem

Formy realizacji

Online

Wygoda uczestnictwa z dowolnego miejsca
Interaktywne sesje na żywo z trenerem
Materiały dostępne przez 30 dni
Brak kosztów dojazdu

Stacjonarnie

Bezpośredni kontakt z trenerem i grupą
Intensywne warsztaty praktyczne
Networking z innymi uczestnikami
Pełne skupienie na nauce

Tematy szkolenia

Najczęściej zadawane pytania

Czy szkolenie obejmuje konkretny cloud provider?

Omawiamy deployment na GKE, EKS i AKS — ale Kubeflow jest agnostyczny wobec providera. Główne koncepcje (Pipelines, KServe, Katib) działają tak samo on-prem i w chmurze. Ćwiczenia można robić na dowolnym klastrze K8s.

Czy muszę znać ML/Deep Learning?

Na poziomie podstawowym — musisz rozumieć czym jest trenowanie modelu, ewaluacja, overfitting. Szkolenie skupia się na INFRASTRUKTURZE i OPERACJACH ML (MLOps), nie na budowie modeli. Nie piszemy sieci neuronowych — wdrażamy je na produkcję.

Kubeflow vs MLflow — czym się różnią?

MLflow to lekki experiment tracker + model registry. Kubeflow to pełna PLATFORMA ML na Kubernetes: pipeline'y, distributed training, serving, hyperparameter tuning, notebooks. MLflow można użyć WEWNĄTRZ Kubeflow. Kubeflow wymaga Kubernetes — MLflow nie.

W jakim formacie i jak długo trwa szkolenie?

Szkolenie trwa 5 dni (9:00-16:00), dostępne online i stacjonarnie. 70% warsztatów — uczestnicy budują pipeline'y i wdrażają modele na klaster Kubernetes.

Czy po szkoleniu otrzymam certyfikat?

Tak, każdy uczestnik otrzymuje imienny certyfikat ukończenia szkolenia wydany przez EITT.