Skalierbare KI/ML-Infrastrukturen

Zusatztext

<h2>Leistungsstarke Infrastrukturen für moderne KI/ML-Modelle</h2><p>Wie Sie abseits der Hypes <b>resiliente, hochautomatisierte und autoskalierbare Systeme für Produktiv-Workloads</b> aufbauen, zeigt Ihnen Oliver Liebel in diesem Wegweiser. Sie erfahren, wie Sie NVIDIAs Datacenter-GPUs nahtlos in Hypervisoren und moderne Container-Infrastrukturen integrieren, sie Operator-gestützt mit Kubernetes bzw. OpenShift verwalten und daraus praxistaugliche Setups machen.</p><p>Betrachtet wird der ganze Infrastruktur-Stack: Von <b>On-Premises-Installationen auf vSphere oder Cloud-Setups auf GCP und AWS</b> über <b>Plattform-Automation per IaaS/IaC sowie den GPU- und Network-Operatoren</b> bis hin zu einem Ausblick auf <b>AI End-to-End-Tool-Stacks.</b></p><p></p><p><b>Aus dem Inhalt:</b></p><ul><li>KI/ML: Grundlagen und Use Cases</li><li>Infrastruktur planen: On-Premises, Cloud oder Hybrid?</li><li>Technischer Background: KI/ML mit NVIDIA-GPUs</li><li>GPU-Modi: Passthrough-MIG vs. MIG-backed vGPU vs. vGPU</li><li>NVIDIA-GPUs auf vSphere On-Prem implementieren</li><li>NVIDIA AI Enterprise</li><li>KI/ML-Cluster mit Kubernetes und OpenShift</li><li>GPU-spezifische Operatoren</li><li>GPU-Cluster mit OpenShift</li><li>Von CI/CD über GitOps zu MLOps</li><li>ML-Pipelines & AI End-to-End</li></ul>

Weitere Details