- 1. Von der Entwicklung zum produktiven Einsatz
- 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.
LernzieleDie 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.
ZielgruppenData 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.
