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

Florian Lüscher ist Full-Stack Developer und beschäftigt sich seit Jahren mit Machine Learning in Theorie und Praxis. Florian ist Co-Organisator des Machine Learning and Artificial Intelligence Meetups in Bern.

Anmelden

Bitte beachten Sie, dass der Kurs nur mit mindestens acht Teilnehmern stattfindet.