Google Vertex AI: Arquitetura, MLOps e governança de ML

O curso Google Vertex AI – Arquitetura, MLOps e Governança de ML foi desenvolvido para profissionais experientes que atuam na arquitetura, operação, monitoramento e sustentação de soluções de Machine Learning em produção, utilizando o Vertex AI como plataforma corporativa de MLOps e IA escalável.

30 horas Ao vivo Avançado

Comprar curso

Google Vertex AI: Arquitetura, MLOps e governança de ML

Inteligência Artificial

Explore mais sobre o curso

Neste nível, o foco está no desenho arquitetural de soluções completas, na orquestração avançada de pipelines, no monitoramento contínuo de modelos, na detecção de drift, na avaliação em produção, na aplicação de princípios de Responsible AI e na governança técnica e financeira de soluções de ML. O curso aborda decisões estratégicas que impactam diretamente qualidade, custo e confiabilidade dos sistemas. O curso prepara o participante para atuar como Machine Learning Engineer Sênior, Arquiteto de IA ou referência técnica em Machine Learning, estando diretamente alinhado às exigências técnicas da certificação Google Cloud Professional Machine Learning Engineer.

Módulos do Curso

Arquitetura end‑to‑end de Machine Learning no Vertex AI Arquitetura do Vertex AI para Projetos de ML
Integração de dados, treinamento, deploy e monitoramento Arquitetura do Vertex AI para Projetos de ML
Componentes-chave do Vertex AI Arquitetura do Vertex AI para Projetos de ML
Diferença entre AutoML e Custom Training Arquitetura do Vertex AI para Projetos de ML

AutoML Tabular para problemas de negócio AutoML no Vertex AI (Tabular, Texto e Visão)
AutoML para texto, visão e dados não estruturados AutoML no Vertex AI (Tabular, Texto e Visão)
Configuração de datasets e experimentos AutoML no Vertex AI (Tabular, Texto e Visão)
Avaliação de métricas e seleção de modelos AutoML no Vertex AI (Tabular, Texto e Visão)
Interpretação de resultados e uso prático AutoML no Vertex AI (Tabular, Texto e Visão)

Quando usar Custom Training Custom Training com Python
Estrutura de um job de treinamento customizado Custom Training com Python
Uso de contêineres gerenciados Custom Training com Python
Execução de treinamentos distribuídos Custom Training com Python
Integração com bibliotecas de ML em Python Custom Training com Python

Conceito e importância do ajuste de hiperparâmetros Hyperparameter Tuning
Configuração de experimentos de tuning Hyperparameter Tuning
Estratégias de busca e comparação de modelos Hyperparameter Tuning
Avaliação de desempenho e custo Hyperparameter Tuning
Boas práticas para tuning eficiente Hyperparameter Tuning

Registro de modelos no Vertex AI Model Registry e Versionamento
Versionamento e rastreabilidade Model Registry e Versionamento
Organização de modelos para ambientes corporativos Model Registry e Versionamento
Boas práticas de governança de modelos Model Registry e Versionamento
Preparação para auditoria e reutilização Model Registry e Versionamento

Deploy de modelos para produção Deploy com Vertex AI Endpoints
Configuração de endpoints escaláveis Deploy com Vertex AI Endpoints
Testes de inferência online e batch Deploy com Vertex AI Endpoints
Gerenciamento de versões em produção Deploy com Vertex AI Endpoints
Controle de custos e performance Deploy com Vertex AI Endpoints

O que é MLOps e por que é necessário Introdução a MLOps com Vertex AI Pipelines
Conceito de pipelines de ML Introdução a MLOps com Vertex AI Pipelines
Criação de pipelines simples no Vertex AI Introdução a MLOps com Vertex AI Pipelines
Automação do ciclo de treinamento e deploy Introdução a MLOps com Vertex AI Pipelines
Limitações do MLOps básico Introdução a MLOps com Vertex AI Pipelines