Kurs: Machine Learning in Production
Ein nachhaltiges Data-Management und ein permanent verfügbarer und überwachter Betrieb der Modelle sind die Grundbausteine für die erfolgreichen Umsetzung von Machine Learning in der Produktion.
Beschreibung
Viele angehende Data Scientists sind sich folgendes Setup gewohnt: Ein Machine Learning Modell wird mit einem vorhandenen Daten-Export lokal in einem Jupyter Notebook trainiert und evaluiert. Das so trainierte Modell mag zwar gute Resultate erbringen, dies ist jedoch nur der Anfang. Für die professionelle Überführung in den produktiven Betrieb müssen viele weitere Aspekte berücksichtigt werden.
In den zwei Unterrichtstagen fokussieren wir uns auf die konkrete Umsetzung einer professionellen ML Infrastruktur auf Kubernetes und die dafür erforderlichen Konzepte. Sie erhalten zuerst einen Überblick über die zentralen Software-Entwicklungs Grundlagen wie Versionierung (auch bezüglich Machine Learning Modellen & Datasets), Packaging und Pipelines. Im Anschluss steht das Deployment mit Themen wie Deployment Strategien (Canary Release, A/B Testing…), Monitoring/Metriken, High-Availability & Fault-Tolerance im Vordergrund. Abgerundet wird der Kurs mit weiterführenden Themen wie Lifecycle Management und Online-Learning. Am Ende dieses Kursteils wurden sämtliche Konzepte praktisch umgesetzt, so dass Sie im Anschluss selbst in der Lage sind, Ihr ML-Modell professionell zu betreiben.
Lernziele
- Machine Learning Modelle & Daten professionell versionieren
- Machine-Learning Modelle auf Kubernetes in der Cloud deployen
- Kennenlernen und Ausprobieren von Deployment-Strategien (Canary-Releases, A/B-Testing, Shadowing etc.)
- Wissen, wie eine hoch-verfügbare Machine Learning Anwendung angeboten, überwacht und gewartet wird
- Tools und Techniken Hands-On kennenlernen
Zielgruppe
Dieser Kurs richtet sich an:
- DevOps Engineers mit Interesse an Machine Learning
- Software Engineers mit Basiskenntnissen in Machine Learning, die wissen wollen, wie ein Modell in Produktion betrieben werden kann
- Data Scientists mit Basiskenntnissen in Software Engineering
Voraussetzungen
- Grundkompetenz im Umgang mit Daten- und Informationen sowie grundlegende Affinität zu Programmierung
- Bereits erste Erfahrungen mit Python & Machine Learning
- Bereits Erfahrungen in typischen betrieblichen IT-Fragestellungen sind von Vorteil
Dauer
2 Tage
Ihr Trainer
Anmelden
Bitte beachten Sie, dass der Kurs nur mit mindestens acht Teilnehmern stattfindet.