MLOps Bootcamp

Wir definieren, was MLOps als Methode umfasst und warum es für zukunftsfähige Unternehmen strategisch wichtig ist, sich damit zu befassen. Sie erhalten einen Überblick, welche organisatorischen, technologischen und menschlichen Aspekte MLOps berührt. Wir identifizieren die Herausforderungen in diesen Bereichen und zeigen Anhand der Prinzipien von MLOps Lösungsansätze für diese Herausforderungen.

Welche Aspekte müssen Sie beim Start eines ML-Projektes berücksichtigen? Wie können Sie schon durch die Projektstruktur sicherstellen, dass etablierte Best Practices in Ihren ML-Projekten berücksichtigt werden? Sie erfahren, wie Sie diese Rahmenbedingungen schaffen und während des Projekts aufrechterhalten. Wir betrachten u. a.:

• • Standardisierte Projektstrukturen
  • Development Workflows
  • Reproducible Deployment
  • Code Quality

In diesem Modul schauen wir uns an, welche Automatisierungswerkzeuge sich eignen, um sich wiederholende Aufgaben in ML-Projekten effektiv zu automatisieren. Außerdem erfahren Sie, welche zusätzlichen Anforderungen ML-Projekte an bereits etablierte CI/CD-Workflows aus dem DevOps-Umfeld stellen und wie Sie damit praktisch umgehen. Dabei klären wir folgende Fragen:

• • Wie fokussieren Sie sich durch Automatisierung auf das Wesentliche Ihres Projekts?
  • Welche repetitiven Aufgaben können Sie wie automatisieren?
  • Wie verwandeln Sie insbesondere komplexe manuelle Aufgaben in einfache Workflows?
  • Wie minimieren Sie die Fehlerquote durch Automatisierung?

Sauberes Datenmanagement ist essenziell für ML-Projekte. Sie erfahren zunächst, wie Sie die entsprechenden Daten für Ihr ML-Projekt korrekt verwalten und transparent versionieren. Anschließend betrachten wir, wie Sie sicherstellen, dass diese Daten auch im fortlaufenden Betrieb stets den Annahmen aus der Entwicklungsphase entsprechen. Dabei durchlaufen wir die wesentlichen Stufen des Datenmanagements:

• • Ingestion
  • Validation
  • Transformation
  • Versioning

Wie lassen sich trainierte ML-Modelle im Projekt versionieren? Das schauen wir uns an und erarbeiten Schritte, wie Sie im Team durchgehend transparent machen, welches Modell mit welcher Performance in Produktion genommen wird. Gleichzeitig erfahren Sie, wie Sie durch dieses Vorgehen auditfähig werden:

• • Model Authoring & Model Training
  • Experiment Management & Experiment Tracking Workflow
  • Model Performance
  • Model Evaluation

Es gibt verschiedene Deployment-Modelle, um ML in Betrieb zu nehmen. Sie lernen die wichtigsten Patterns und deren Unterschiede kennen und erfahren, wie Sie mehrere Modelle und die benötigte Businesslogik orchestrieren. Außerdem betrachten wir, wie sich ML-Modelle testen und optimieren lassen, um Latenz und Durchsatz auf konstantem Niveau zu halten.

• • Unterschiede zwischen offline/batch, asynchronen & synchronen Patterns
  • Business Logic Integration
  • Multi Model Deployment

Sie lernen, wie Sie Modelle im laufenden Betrieb mit geringem Aufwand überwachen, wie Sie Model-, Data- und Concept-Drift rechtzeitig bemerken und welche Reaktionen in diesem Fall erforderlich sind. Wir betrachten u. a.:

• • Logging Features & Predictions
  • Das Setup eines Monitoring-Dashboards
  • Data, Concept & Model Drift Detection & Handling

Wie lässt sich eine hohe Testabdeckung schnell und einfach erreichen? Sie lernen, wie Sie Unittests für ML-Projekte erstellen und welche zusätzlichen Anforderungen sich dabei durch Daten und Modelle ergeben. Inhalte sind u. a.:

• • Code Coverage
  • CVE-Checks
  • Effiziente Kollaboration durch Testing
  • Unittests mit Daten und ML-Modellen