MLOps – Skalier- und wartbare ML-Projekte

In 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:

Was ist MLOps - und warum ist es notwendig?

• Herausforderungen im produktiven ML-Betrieb
• Typische Fehlerquellen und Lösungen

Projektstruktur und Versionierung

• Daten, Code, Parameter und Modelle nachvollziehbar organisieren

Modell-Tracking mit MLflow

• Experimente dokumentieren
• Ergebnisse vergleichen
• Modelle registrieren

Automatisierung im Trainingsprozess

• Wiederholbare Abläufe mit einfachen Skripten oder CI-Tools

Monitoring und Nachvollziehbarkeit

• Modellqualität beobachten
• Drifts erkennen
• Retraining vorbereiten

Modellbereitstellung im Unternehmenskontext

• Deployment-Varianten
• Modell als API
• Zusammenarbeit mit DevOps-Teams

Nach dem Kurs können Sie ML-Modelle in automatisierte Workflows integrieren, dokumentieren, überwachen und bei Bedarf automatisiert retrainieren.

Erfahrung 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.