Machine Learning Operations (MLOps)

Wer bisher nur wenig mit der Operationalisierung von ML-Projekten zu tun gehabt hat, erhält in diesem Workshop den Überblick und eine praxisorientierte Einführung. Kernthemen sind dabei:

• Versionierung und Verwaltung von Daten, Experimenten und Modellen: Wie kann ich meine Daten und Modelle effektiv verwalten, ohne den Überblick über meine Änderungen zu verlieren?
• Orchestrierung der verschiedenen Teilprozesse einer ML-Pipeline: Wie kann ich effizient meine Daten aufbereiten, mein Modell trainieren und Vorhersagen treffen – und das immer wieder von vorne?
• MLOps-Praktiken für Continuous Delivery: Wie bekomme ich mein Modell in Produktion, und das regelmäßig, automatisch und zuverlässig?

Monitoring produktiver ML-Anwendungen: Funktioniert mein Modell auch in der echten Welt oder muss ich es nachjustieren?
Für die Umsetzung in den Hands-on-Übungen kommen verbreitete Werkzeuge wie dvc, mlflow, dagster, FastAPI und ONNX zum Einsatz. Aber auch weitere populäre Werkzeuge wie beispielsweise Airflow, Kubeflow sowie die Angebote der großen Cloud-Anbieter werden in Bezug auf die Fragestellungen eingeordnet.

Ziel der Weiterbildung

Im Seminar werden Ihnen praktische Lösungsstrategien vermittelt, um die Herausforderungen im Bereich des maschinellen Lernens zu bewältigen und die passenden Tools effektiv einzusetzen. Sie werden lernen, wie Sie Lösungen für die verschiedenen Probleme in diesem Umfeld finden und einschätzen können, welche Tools Ihnen dabei helfen können.

TECHNISCHE ANFORDERUNGEN

Docker & Docker-Compose in aktueller Version, optimalerweise mit Admin-Rechten auf dem Rechner.
Docker-Images für den Workshop sowie eine Anleitung zur (kurzen) Einrichtung werden rechtzeitig vor dem Workshop bereitgestellt. Die Einrichtung sollte vor dem Workshop durchgeführt werden.