MLOps Engineering on AWS

Der Kurs „AWS - MLOps Engineering on AWS (MLOE)“ baut auf der in der Softwareentwicklung vorherrschenden DevOps-Praxis auf und erweitert diese um das Erstellen, Trainieren und Bereitstellen von Modellen für maschinelles Lernen (ML). Sie lernen die Bedeutung von Daten, Modellen und Code für erfolgreiche ML-Bereitstellungen kennen. Der Kurs demonstriert den Einsatz von Tools, Automatisierung, Prozessen und Teamwork, um Herausforderungen bei Übergaben zwischen Dateningenieurinnen und Dateningenieuren, Datenwissenschaftlerinnen und Datenwissenschaftlern, Softwareentwicklerinnen und Softwareentwicklern sowie dem Betrieb zu bewältigen. Zudem behandelt er Werkzeuge und Prozesse zur Überwachung und zum Ergreifen von Maßnahmen, wenn Modellvorhersagen in der Produktion von vereinbarten Leistungskennzahlen abweichen.

Optional erstellen Sie einen MLOps-Aktionsplan für Ihre Organisation. Dazu reflektieren Sie täglich Unterrichts- und Laborinhalte und tauschen sich mit Kolleginnen, Kollegen und Dozierenden aus.

Hinweis: Die Kurssprache ist Deutsch, die Unterlagen sind in englischer Sprache und teilweise digital verfügbar.

Einführung in MLOps

• Operationen des maschinellen Lernens
• Ziele von MLOps
• Kommunikation
• Von DevOps zu MLOps
• ML-Arbeitsablauf
• Umfang
• MLOps-Sicht auf den ML-Workflow
• MLOps-Fälle

MLOps-Entwicklung

• Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
• MLOps-Sicherheit
• Automatisieren
• Apache Airflow
• Kubernetes-Integration für MLOps
• Amazon SageMaker für MLOps
• Bringen Sie Ihren eigenen Algorithmus in eine MLOps-Pipeline ein
• Amazon SageMaker
• Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
• Code und Bereitstellung Ihres ML-Modells mit AWS CodeBuild
• Das Arbeitsbuch zum MLOps-Aktionsplan

MLOps-Bereitstellung

• Einführung in die Bereitstellungsvorgänge
• Modell-Paketierung
• Inferenz
• Einsetzen des Modells in der Produktion
• SageMaker Produktionsvarianten
• Strategien für den Einsatz
• Einsatz an der Grenze
• Durchführen von A/B-Tests
• MLOps-Aktionsplan Arbeitsbuch

Modellüberwachung und Betrieb

• Fehlersuche in Ihrer Pipeline
• Die Bedeutung der Überwachung
• Überwachung durch Design
• Überwachen Sie Ihr ML-Modell
• Human-in-the-loop
• Amazon SageMaker Modell-Monitor
• Amazon SageMaker Pipelines, Model Monitor, Model Registry und Feature Store
• Lösen des Problems/der Probleme
• Das MLOps Action Plan Workbook

Nachbereitung

• Nachbearbeitung der MLOps-Aktionsplan-Arbeitsmappe

Sie lernen, MLOps-Praktiken auf Basis von DevOps für das Erstellen, Trainieren, Bewerten und Bereitstellen von ML-Modellen einzuordnen. Dabei betrachten Sie Daten, Modelle, Code, Automatisierung, Zusammenarbeit und Überwachung, um bei Abweichungen von vereinbarten Leistungskennzahlen geeignete Maßnahmen zu behandeln.

• DevOps Engineers
• ML Engineers
• Entwickler/Betriebe mit Verantwortung für die Operationalisierung von ML-Modellen

Erforderlich:

• AWS Technical Essentials (AWSE)
• DevOps Engineering on AWS (AWSDEVOPS)
• Practical Data Science with Amazon SageMaker (PDSASM)

Zusätzlich empfohlen:

• The Elements of Data Science (digitaler Kurs) oder gleichwertige Erfahrung
• Machine Learning Terminology and Process (digitaler Kurs)