MLOps in der Praxis: Deployment und Integration von Machine-Learning-Modellen
.svg)
.svg)
.svg)
Machine Lerning Engineer
1. MLOps – was es ist und warum es ohne nicht geht
- Wenn es ernst wird mit Machine-Learning-Projekten
- Domänenwissen und Herausforderungen
- Der MLOps-Zyklus im Überblick
- MLOps ist mehr als DevOps
- Die MLOps-Reifegradstufen
2. Datenversionierung und Experiment Tracking
- Grundlagen und Vorteile von Code- und Datenversionierung
- Einführung in DVC
- Übung: Datenversionierung mit DVC
- Übung: Experiment Tracking mit DVC
3. Data Pipeline Orchestration
- Grundlagen und Vorteile von Daten-Pipelines
- Einführung in Dagster
- Übung: Asset Jobs mit Dagster
- Übung: Op Jobs mit Dagster
4. Experiment Tracking
- Parameter, Metriken und Artefakte
- Grundlagen und Vorteile von Experiment Tracking
- Experiment Tracking mit MLflow
- Übung: Experiment Tracking mit MLflow
- Übung: Model Management mit MLflow
5. CI/CD für Machine Learning
- Einführung in CI/CD, Abgrenzung von CI/CD für Code
- Was können wir alles testen?
- Varianten von CI/CD für ML-Produkte
- Showcase: Github Actions und CML
6. Deployment und Serving
- Grundlagen des Machine-Learning-Deployments
- Unterscheidung Batch-Inferenz und Live-Inferenz
- Datenvorverarbeitung im Deployment
- Einführung in Open Neural Network Exchange (ONNX)
- Übung: FastAPI und ONNX
7. Monitoring
- Monitoring von ML-Modellen
- Daten, Metriken, KPIs
- Anwendungsmetriken
- Showcase: Monitoring mit evidently.ai
8. MLOps in der Cloud
- Wann sind Cloud-Lösungen empfehlenswert?
- Einordnung Amazon Sagemaker, Azure ML Studio und Google Vertex AI
- Showcase: Model Training mit Azure ML Studio
9. Machine-Learning-Plattformen
- Wie und wann skaliere ich die Entwicklung meiner ML-Teams?
- Was ist ein Feature Store?
10. Exkurs: LLMOps
- Was unterscheidet LLMOps von MLOps?
- Showcase: companyGPT
Mit diesem Seminar erhältst du tiefgehendes Wissen über die Konzepte und Methoden von MLOps (Machine Learning Operations). Du lernst die grundlegenden Konzepte und Werkzeuge kennen und erlernst die praktische Arbeit mit den wichtigsten Tools (DVC, Dagster, MLflow, FastAPI, ONNX u.v.m.).
Du bekommst wertvolles Rüstzeug an die Hand, um skalierbare Data- und Machine-Learning-Pipelines zu konzipieren, zu planen, umzusetzen und zu betreuen.
Nach Abschluss dieses Trainings wirst du nicht nur fundierte theoretische Kenntnisse in der Operationalisierung von Machine-Learning-Modellen haben, sondern auch praktische Erfahrung in der Anwendung der Methoden und Tools. Du wirst fähig sein, eigene Machine-Learning-Pipelines zu entwickeln, anzupassen, zu überwachen und produktiv einzusetzen. Dies qualifiziert dich für fortgeschrittene Aufgaben in ML Engineering und KI-Entwicklung.
Dieses Online-Seminar wird in einer Gruppe von maximal 12 Teilnehmenden mit der Videokonferenz-Software Zoom durchgeführt.
Bei der Durchführung der praktischen Übungen stehen dir die Referent:innen zur Seite – im virtuellen Klassenraum oder individuell in Break-out-Sessions.
In deiner Online-Lernumgebung findest du nach der Anmeldung alle Informationen, Downloads und Extra-Services zu dieser Qualifizierungsmaßnahme.
Dieses Training richtet sich an alle, die Machine-Learning-Modelle und -Applikationen erstellen, betreiben, überwachen, ausbauen und feintunen wollen.
Grundlegende technische Kenntnisse zu Machine-Learning-Modellen und -Algorithmen werden vorausgesetzt. Mathematisches und statistisches Vorwissen ist hilfreich, aber nicht erforderlich.
Dieser Kurs ist ein wertvoller Baustein in der Qualifizierung zum MLOps Expert, Machine Learning Engineer, Data Scientist und Data Engineer.
.jpg)
.svg)
