In dieser praxisorientierten Lektion beschäftigen sich die Teilnehmer intensiv mit der praktischen Umsetzung der AppDynamics-Überwachung für Machine-Learning-Systeme. Sie lernen, komplexe ML-Anwendungsabläufe abzubilden, die Leistungsüberwachung für Data-Science-Workflows zu konfigurieren und speziell für ML-Prozesse entwickelte Zustandsregeln einzurichten. Anhand von Beispielen aus der Praxis und angeleiteten Übungen erlernen die Teilnehmer die Techniken, die erforderlich sind, um umfassende Überwachungslösungen zu erstellen, die sowohl die Infrastrukturleistung als auch ML-spezifische Metriken erfassen, die für den Erfolg in der Produktion entscheidend sind.

In dieser Fortgeschrittenen-Lektion lernen die Teilnehmer, die ausgefeilten Diagnose- und Optimierungsfunktionen von AppDynamics für Machine-Learning-Anwendungen zu beherrschen. Sie lernen, Leistungsengpässe zu identifizieren, eine auf ML-Systeme zugeschnittene Ursachenanalyse durchzuführen und Optimierungsstrategien umzusetzen, die sowohl die technische Leistung als auch die Geschäftsergebnisse verbessern. Anhand praxisnaher Fehlerbehebungsszenarien und praktischer Optimierungsübungen entwickeln die Teilnehmer das erforderliche Fachwissen, um leistungsstarke ML-Anwendungen in Produktionsumgebungen zu warten und sicherzustellen, dass ihre Systeme einen beständigen geschäftlichen Mehrwert liefern.