Machine Learning Professional - Architektur, MLOps und industrielle Anwendungen
Webinar - GFU Cyrus AG
Die Teilnehmer verstehen nach diesem Seminar die wesentlichen Konzepte und Praktiken für den produktiven Betrieb von ML-Systemen. Sie können ML-Pipelines konzipieren, geeignete Deployment-Ansätze auswählen und grundlegende Überwachungsmechanismen einrichten.
Wesentliche Unterschiede zwischen experimentellen Data-Science-Projekten und produktionsreifen ML-Systemen
Typische Stolpersteine beim Übergang vom funktionierenden Prototyp zur zuverlässigen Unternehmenslösung
Anforderungen an Stabilität, Wartbarkeit und Nachvollziehbarkeit im industriellen Kontext
2. Architekturgrundlagen für ML-Systeme
Entscheidung zwischen Batch-Verarbeitung und Echtzeit-Vorhersagen je nach Anwendungsfall
Trennung von Datenaufbereitung, Modelltraining und Vorhersagedienst als Grundprinzip flexibler Systeme
Einbettung von ML-Komponenten in bestehende Anwendungslandschaften und Schnittstellen
3. Datenflüsse und Feature-Bereitstellung
Aufbau stabiler Datenpipelines für die konsistente Versorgung von Training und Vorhersage
Konzept des Feature Stores als zentrale Ablage wiederverwendbarer Merkmalsberechnungen
Sicherstellung der Übereinstimmung zwischen Trainings- und Produktionsdaten
4. Experimente systematisch verwalten
Dokumentation von Trainingsläufen mit Parametern, Metriken und Ergebnissen für Nachvollziehbarkeit
Versionierung von Daten und Modellen als Grundlage für Reproduzierbarkeit im Team
Einführung in Werkzeuge wie MLflow für das strukturierte Experiment-Management
5. Automatisierung durch ML-Pipelines
Grundkonzept orchestrierter Workflows für wiederkehrende Trainings- und Bereitstellungsaufgaben
Bausteine einer ML-Pipeline von der Datenprüfung über das Training bis zur Modellregistrierung
Überblick über gängige Plattformen und deren Einsatzszenarien im Unternehmensumfeld
6. Modelle bereitstellen und betreiben
Verpackung von ML-Modellen in Container für portable und einheitliche Bereitstellung
Grundlagen des Modell-Servings und Anbindung an Anwendungen über APIs
Strategien für sichere Modellaktualisierungen ohne Betriebsunterbrechung
7. Überwachung im laufenden Betrieb
Kennzahlen für die Beobachtung von Modellleistung und Systemverhalten in der Produktion
Erkennung von Datenverschiebungen als Frühwarnsystem für nachlassende Vorhersagequalität
Aufbau einfacher Dashboards und Benachrichtigungen für den operativen Alltag
8. Qualitätssicherung und Nachvollziehbarkeit
Anforderungen an Dokumentation und Prüfbarkeit in regulierten Umgebungen
Standardisierte Beschreibungen von Modellen und deren Eigenschaften für interne und externe Zwecke
Grundlegende Prüfungen auf Fairness und systematische Verzerrungen
9. Skalierung und Ressourcenmanagement
Ansätze zur Bewältigung wachsender Datenmengen und steigender Anfragevolumen
Einfache Techniken zur Optimierung von Modellgröße und Antwortzeiten
Überlegungen zu Kosten und Kapazitätsplanung für ML-Workloads
10. MLOps im Unternehmen verankern
Rollen und Verantwortlichkeiten für den nachhaltigen Betrieb von ML-Systemen
Schrittweise Einführung von MLOps-Praktiken entsprechend dem Reifegrad der Organisation
Zusammenarbeit zwischen Fachabteilung, Data Science und IT-Betrieb als Erfolgsfaktor
Praxisübung
Aufbau einer einfachen ML-Pipeline
Die Teilnehmer erstellen eine grundlegende ML-Pipeline, die wesentliche MLOps-Komponenten verbindet. Sie konfigurieren einen automatisierten Trainingsworkflow mit Experiment-Tracking und Modellversionierung. Das resultierende Modell wird als API bereitgestellt und mit einfachem Monitoring versehen. Die Übung vermittelt praktisches Verständnis für das Zusammenspiel der Komponenten und die Vorteile automatisierter Abläufe gegenüber manuellen Prozessen.
Dauer/zeitlicher Ablauf:
3 Tage
Zielgruppe:
Data Scientists und Entwickler, die ihre ML-Modelle professionell bereitstellen und betreiben möchten. Das Seminar richtet sich an Fachleute mit Grundkenntnissen in Machine Learning und Python, die den nächsten Schritt zum produktiven Einsatz gehen wollen. Auch Projektverantwortliche und technische Architekten, die ML-Initiativen begleiten, erhalten hier wertvolles Orientierungswissen für fundierte Entscheidungen.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
