MLOps - Skalier- und wartbare ML-Projekte

BeschreibungIn diesem Seminar erfahren Sie, wie Sie Machine-Learning-Modelle wartbar und automatisiert betreiben. Sie versionieren Modelle, setzen CI/CD-Pipelines auf und etablieren Monitoring-Strategien für Performance und Stabilität.Sie lernen Tools wie MLflow und DVC kennen und setzen damit reproduzierbare und kontrollierbare ML-Prozesse im Unternehmenskontext um - von der Entwicklung bis zur Live-Anwendung.Hinweis:InhaltWas ist MLOps - und warum ist es notwendig?- Herausforderungen im produktiven ML-Betrieb- Typische Fehlerquellen und LösungenProjektstruktur und Versionierung- Daten, Code, Parameter und Modelle nachvollziehbar organisierenModell-Tracking mit MLflow- Experimente dokumentieren- Ergebnisse vergleichen- Modelle registrierenAutomatisierung im Trainingsprozess- Wiederholbare Abläufe mit einfachen Skripten oder CI-ToolsMonitoring und Nachvollziehbarkeit- Modellqualität beobachten- Drifts erkennen- Retraining vorbereitenModellbereitstellung im Unternehmenskontext- Deployment-Varianten- Modell als API- Zusammenarbeit mit DevOps-TeamsVoraussetzungenErfahrung mit Python und ML-Workflows. Grundkenntnisse im Umgang mit ML-Frameworks (z.?B. Scikit-Learn, TensorFlow oder PyTorch) und gängige DevOps-Tools (Git, Bash) sind hilfreich.ZielgruppeNach dem Kurs können Sie ML-Modelle in automatisierte Workflows integrieren, dokumentieren, überwachen und bei Bedarf automatisiert retrainieren.