MLOps in der Praxis: Deployment und Integration von Machine-Learning-Modellen («H36447»)

• Erhalten von vertieftem Wissen über die Konzepte und Methoden von MLOps (Machine Learning Operations)
• Kennenlernen der grundlegenden Konzepte und Werkzeuge und praktisches Arbeiten mit den wichtigsten Tools (DVC, Dagster, MLflow, FastAPI, ONNX u.v.m.)
• Erwerben eines wertvollen Rüstzeugs, um skalierbare Data- und Machine-Learning-Pipelines zu konzipieren, zu planen, umzusetzen und zu betreuen
• Verfügen über fundierte theoretische Kenntnisse in der Operationalisierung von Machine-Learning-Modellen sowie über praktische Erfahrung in der Anwendung der Methoden und Tools
• Entwickeln, Anpassen, Überwachen und produktives Einsetzen eigener Machine-Learning-Pipelines

1 MLOps – was es ist und warum es ohne nicht geht

• Wenn es ernst wird mit Machine-Learning-Projekten
• Domänenwissen und Herausforderungen
• Der MLOps-Zyklus im Überblick
• MLOps ist mehr als DevOps
• Die MLOps-Reifegradstufen

2 Datenversionierung und Experiment Tracking

• Grundlagen und Vorteile von Code- und Datenversionierung
• Einführung in DVC
• Übung: Datenversionierung mit DVC
• Übung: Experiment Tracking mit DVC

3 Data Pipeline Orchestration

• Grundlagen und Vorteile von Daten-Pipelines
• Einführung in Dagster
• Übung: Asset Jobs mit Dagster
• Übung: Op Jobs mit Dagster

4 Experiment Tracking

• Parameter, Metriken und Artefakte
• Grundlagen und Vorteile von Experiment Tracking
• Experiment Tracking mit MLflow
• Übung: Experiment Tracking mit MLflow
• Übung: Model Management mit MLflow

5 CI/CD für Machine Learning

• Einführung in CI/CD, Abgrenzung von CI/CD für Code
• Was können wir alles testen?
• Varianten von CI/CD für ML-Produkte
• Showcase: Github Actions und CML

6 Deployment und Serving

• Grundlagen des Machine-Learning-Deployments
• Unterscheidung Batch-Inferenz und Live-Inferenz
• Datenvorverarbeitung im Deployment
• Einführung in Open Neural Network Exchange (ONNX)
• Übung: FastAPI und ONNX

7 Monitoring

• Monitoring von ML-Modellen
• Daten, Metriken, KPIs
• Anwendungsmetriken
• Showcase: Monitoring mit evidently.ai

8 MLOps in der Cloud

• Wann sind Cloud-Lösungen empfehlenswert?
• Einordnung Amazon Sagemaker, Azure ML Studio und Google Vertex AI
• Showcase: Model Training mit Azure ML Studio

9 Machine-Learning-Plattformen

• Wie und wann skaliere ich die Entwicklung meiner ML-Teams?
• Was ist ein Feature Store?

10 Exkurs: LLMOps

• Was unterscheidet LLMOps von MLOps?
• Showcase: companyGPT

Dieses Online-Seminar wird in einer Gruppe von maximal 12 Teilnehmenden mit der Videokonferenz-Software Zoom durchgeführt.

Bei der Durchführung der praktischen Übungen stehen Ihnen die Referenten zur Seite – im virtuellen Klassenraum oder individuell in Break-out-Sessions.

In Ihrer Online-Lernumgebung finden Sie nach der Anmeldung alle Informationen, Downloads und Extra-Services zu dieser Qualifizierungsmassnahme.

Dieses Training richtet sich an alle, die Machine-Learning-Modelle und -Applikationen erstellen, betreiben, überwachen, ausbauen und feintunen wollen. Dieser Kurs ist ein wertvoller Baustein in der Qualifizierung zum MLOps Expert, Machine Learning Engineer, Data Scientist und Data Engineer.

Grundlegende technische Kenntnisse zu Machine-Learning-Modellen und -Algorithmen werden vorausgesetzt. Mathematisches und statistisches Vorwissen ist hilfreich, aber nicht erforderlich.

Damit Sie mögliche Unterlagen rechtzeitig per Post zugestellt bekommen können, empfehlen wir eine Buchung mindestens 14 Tage vor Seminar-Termin.