Vertex AI & MLOps auf Google Cloud in Köln

• Tag 1 - Plattform, Daten, Training & Evaluation
  • Einführung in Vertex AI und MLOps
    • Überblick: Was ist Vertex AI und welche Rolle spielt es im ML-Lebenszyklus?
    • MLOps-Grundprinzipien: Reproduzierbarkeit, Automatisierung, Monitoring, Governance
    • Architektur und zentrale Komponenten (Workbench, Datasets, Training, Model Registry, Endpoints, Pipelines, Feature Store, Model Monitoring)

  • Einrichtung und Grundlagen
    • Projektstruktur, IAM, Berechtigungen und Kostenkontrolle in Google Cloud
    • Vertex AI Workbench als Arbeitsumgebung; SDK und gcloud im Überblick
    • Systemvoraussetzungen und notwendige Dienste

  • Datenimport und -verwaltung
    • Importieren von Daten aus verschiedenen Quellen (CSV, BigQuery/SQL, Cloud Storage)
    • Verwaltung und Organisation von Datasets (tabellarisch, Bild, Text) innerhalb von Vertex AI
    • Datenvorbereitung und Versionierung als Basis reproduzierbarer Experimente

  • Praktische Übung 1: Projekt-Setup und Datenimport
    • Problemstellung: Vertex-AI-Projekt einrichten und einen Beispiel-Datensatz importieren
    • Lösung: Neues Projekt konfigurieren, Daten aus Cloud Storage/BigQuery laden, als verwaltetes Dataset organisieren
    • Ergebnis: Ein funktionsfähiges Vertex-AI-Projekt mit importierten, versionierten Daten

  • Modelltraining und -optimierung
    • Trainingsoptionen: AutoML vs. Custom Training (eigener Container/eigenes Skript)
    • Auswahl geeigneter Algorithmen und Konfiguration der Trainingsparameter
    • Durchführung des Trainings und Überwachung des Trainingsprozesses
    • Hyperparameter-Tuning mit Vertex AI

  • Modellbewertung und -validierung
    • Bewertungsmetriken je Aufgabentyp (Accuracy, Precision, Recall, F1, ROC/AUC, RMSE u. a.)
    • Cross-Validation und weitere Validierungstechniken
    • Vergleich von Modellversionen; Vermeidung typischer Fehlerquellen (Leakage, Overfitting)

• Tag 2 - Registry, Deployment, Automatisierung & Betrieb
  • Modellversionierung und Registry
    • Model Registry: Modelle versionieren, Metadaten und Lineage verwalten
    • Freigabe-Workflows und Nachvollziehbarkeit

  • Integration und Bereitstellung von Modellen
    • Online-Bereitstellung über Endpoints; Batch-Vorhersagen für große Datenmengen
    • Integration der Modelle in bestehende Anwendungen über APIs
    • Skalierung, Versionswechsel und A/B- bzw. Canary-Strategien

  • Automatisierung und Workflow-Optimierung
    • Vertex AI Pipelines (Kubeflow-basiert): Datenvorbereitung und Training als reproduzierbare Pipeline
    • Orchestrierung mit Cloud Composer (Apache Airflow)
    • Best Practices für die Automatisierung und Optimierung von ML-Workflows
    • CI/CD für ML: vom Experiment zum automatisierten Trainings- und Deployment-Prozess

  • Feature-Management & Monitoring
    • Feature Store: Features konsistent für Training und Serving bereitstellen
    • Model Monitoring: Drift- und Skew-Erkennung, Alarme, Re-Training-Trigger
    • Betriebsaspekte: Logging, Audit, Kostentransparenz

  • Brückenmodul: Generative KI auf Vertex AI
    • Model Garden und Gemini über die Vertex-AI-API als Teil derselben Plattform
    • Einordnung: prädiktive ML-Modelle vs. generative Modelle; wann was sinnvoll ist
    • Grundlagen Prompting/Grounding und Anbindung an bestehende GCP-Dienste

  • Praktische Übung 2: Training, Deployment und Automatisierung
    • Problemstellung: Ein Modell trainieren, evaluieren, registrieren und bereitstellen
    • Lösung: Algorithmus/Verfahren wählen, Training und Tuning durchführen, Modell in der Registry versionieren, über einen Endpoint bereitstellen; optional als Pipeline automatisieren
    • Ergebnis: Ein trainiertes, validiertes und bereitgestelltes Modell, das in einer Anwendung genutzt werden kann

LernzieleAm Ende des Seminars sind die Teilnehmenden in der Lage, mit Vertex AI leistungsfähige, skalierbare und wartbare ML-Modelle zu entwickeln und produktiv bereitzustellen. Sie können Projekte planen, Daten verwalten, Modelle trainieren und optimieren, deren Qualität fundiert bewerten, Modelle versionieren und deployen sowie Trainings- und Deployment-Workflows automatisieren und überwachen.ZielgruppenDieses Seminar richtet sich an Datenwissenschaftler, ML-/KI-Ingenieure, Data Engineers, IT-Administratoren und Entwickler, die ML-Modelle auf Google Cloud entwickeln und produktiv betreiben möchten.TeilnahmevoraussetzungenSie verfügen über grundlegende Kenntnisse in Datenanalyse und maschinellem Lernen.Sie besitzen erste Erfahrungen im Umgang mit Cloud-Computing-Umgebungen.Sie benötigen Python-Grundkenntnisse für die praktischen Übungen.Sie sollten mit grundlegenden Konzepten von Datenverarbeitung und Softwareentwicklung vertraut sein.