Live Online Training inhouse: MLOps in der Praxis: Deployment und Integration

Techniken, Werkzeuge und Strategien für produktive Machine-Learning-Pipelines

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

Technische Voraussetzungen

In diesem Seminar lernst du den Einsatz der Methoden und Tools in vielen Praxisübungen kennen. Diese führst du selbst lokal auf deinem eigenen Rechner aus. Um dies zu ermöglichen bitten wir dich, vor dem Kurstermin die Anwendungen Docker Desktop und Git zu installieren und zu testen – bitte beachte, dass du dafür entsprechende Berechtigungen auf deinem Rechner benötigst. Nach der Installation kannst du die Pakete, die dir die Trainer bereitstellen, herunterladen und einrichten. Eine ausführliche Anleitung dafür erhältst du ca. zwei Wochen vor dem Kurstermin.

Lerndauer: 2 Tage

Mit dieser Veranstaltung sind sie flexibel: Diese Veranstaltung wird vollständig online ausgeliefert!

Wichtige Information: Bitte beachten Sie, dass einige unserer Webinare auch aus mehreren Online-Modulen bestehen können. Erkennbar ist dies, wenn die Dauer länger als ein Tag ist.

Eine Übersicht der einzelnen Termine zu den Online-Modulen erhalten Sie nach der Buchung in Ihrer persönlichen Online-Lernumgebung.

Lernziele

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.

Die Inhalte dieser Weiterbildung unterstützen die Nachweispflicht zur Förderung von KI-Kompetenz im Sinne des Art. 4 EU KI-VO.

Zielgruppen

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.