MLOps mit MLflow: Effizientes Management von Machine-Learning-Prozessen - Online Schulung

Diese praxisorientierte Schulung vermittelt Ihnen umfassendes und fundiertes Wissen im Bereich MLOps mit dem Schwerpunkt auf MLflow. MLOps (Machine Learning Operations) bezeichnet die Gesamtheit an Methoden, Prozessen und Tools, mit denen der gesamte Lebenszyklus von Machine-Learning-Projekten – von der Entwicklung über das Training bis hin zum produktiven Einsatz und der Wartung von Modellen – effizient, reproduzierbar und teamübergreifend gestaltet wird.

Ein zentraler Bestandteil der Schulung ist das Arbeiten mit MLflow. MLflow ist eine offene Plattform zur Verwaltung des Machine-Learning-Lebenszyklus, die speziell dafür entwickelt wurde, Experimente, Modelle und deren Abläufe systematisch zu erfassen, zu versionieren und produktiv zu machen. MLflow unterstützt verschiedene ML-Frameworks, lässt sich flexibel integrieren und hilft Teams, ihre Machine-Learning-Prozesse transparent, nachvollziehbar und skalierbar aufzusetzen.

Sie lernen, wie Sie Machine-Learning-Workflows nicht nur effizient, sondern auch reproduzierbar aufbauen und verwalten. Im Fokus steht, wie Sie MLflow gezielt einsetzen, um Modelle strukturiert zu versionieren, Experimente nachzuvollziehen und sämtliche Artefakte, Parameter und Metriken zentral zu dokumentieren.

Das Seminar legt besonderen Wert auf die Zusammenarbeit im Team: Sie erfahren, wie Sie gemeinsam Modelle entwickeln, verwalten und sicher in produktive Umgebungen überführen. Anhand praxisnaher Übungen und Beispielszenarien erhalten Sie einen tiefgehenden Einblick in die Rolle von MLflow im modernen MLOps-Prozess und lernen, wie Sie verschiedene Modellvarianten vergleichen und den gesamten Lebenszyklus von Machine-Learning-Projekten transparent managen.

Darüber hinaus werden Best Practices vermittelt, um Ihre ML-Infrastruktur nachhaltig, sicher und skalierbar zu gestalten – von der Authentifizierung und Zugriffskontrolle bis hin zum effizienten Ressourcenmanagement. Nach Abschluss der Schulung sind Sie in der Lage, MLflow als zentrales Werkzeug für produktive Machine-Learning-Prozesse im Unternehmenskontext einzusetzen und so den Mehrwert Ihrer Datenprojekte nachhaltig zu steigern.



Einführung in MLOps

• Was ist MLOps?
• Entstehung und Motivation von MLOps.
• Unterschiede und Gemeinsamkeiten: MLOps vs. DevOps
• Herausforderungen im Machine Learning Lifecycle

Überblick: MLflow und Alternativen

• MLflow Grundlagen: Was ist MLflow?
• Komponenten und Architektur (Tracking, Projects, Models, Registry)
• Open Source und kommerzielle Alternativen zu MLflow

Erste Schritte mit MLflow

• Einführung in das MLflow Framework
• MLflow Tracking Server: Architektur und Funktionsweise
• MLflow Model Registry: Versionierung und Modellmanagement
• Lokales Aufsetzen von MLflow und MLflow Tracking Server
• Überblick: MLflow UI

MLflow Tracking

• Experimente und Runs: Struktur und Best Practices
• Logging von Parametern, Metriken und Artefakten
• Arbeiten mit Artifacts, Parameters, Metadata, Metrics
• Vergleich und Analyse von Runs im MLflow UI
• Verschiedene Modellvarianten trainieren und vergleichen

MLflow Model Registry

• Modelle registrieren, versionieren und verwalten
• Model Staging: Übergang von Experiment zu Staging und Production
• Modell-Promotion und -Archivierung

Best Practices & Security

• MLflow Best Practices für produktive Umgebungen
• Security Best Practices (Authentifizierung, Zugriffskontrolle, Datenmanagement)
• Clean Up: Ressourcen und Artefakte verwalten und aufräumen

Unsere Webinare sind moderne, digitale Liveschulungen – die fast so ablaufen, als ob Sie vor Ort wären.