AWS - MLOps Engineering on AWS

Wer Modelle für maschinelles Lernen nicht nur entwickeln, sondern auch zuverlässig in den produktiven Betrieb überführen möchte, findet hier eine praxisorientierte Weiterbildung. Aufbauend auf bewährten DevOps-Prinzipien lernen Sie, ML-Modelle effizient zu erstellen, zu trainieren und bereitzustellen.

Die Schulung AWS - MLOps Engineering on AWS richtet sich an alle, die das Zusammenspiel von Daten, Modellen und Code für erfolgreiche ML-Bereitstellungen verstehen und meistern möchten. Sie erfahren, wie sich Schnittstellen zwischen Dateningenieuren, Datenwissenschaftlern, Softwareentwicklern und dem Betrieb durch durchdachte Prozesse und Teamwork reibungslos gestalten lassen.

Im Mittelpunkt steht der gezielte Einsatz von Tools und Automatisierung, um typische Herausforderungen bei Übergaben zu lösen. Ein besonderer Schwerpunkt liegt auf der Überwachung von Modellvorhersagen in der Produktion – Sie lernen, geeignete Maßnahmen zu ergreifen, sobald die Leistung von vereinbarten Kennzahlen abweicht.

Durch die Verbindung von Theorie und praktischen Laborübungen sichern Sie sich fundiertes Wissen für den direkten Einsatz im Arbeitsalltag. Optional erarbeiten Sie zudem einen individuellen MLOps-Aktionsplan für Ihre Organisation – im Austausch mit Kolleginnen, Kollegen und erfahrenen Dozenten.

Hinweis:

Kurssprache ist Deutsch, die Unterlagen sind in englischer Sprache (teilweise in digitaler Form).

Dieses Seminar führen wir in Kooperation mit der Fast Lane GmbH durch.

Einführung in MLOps

- Operationen des maschinellen Lernens

- Ziele von MLOps

- Kommunikation

- Von DevOps zu MLOps

- ML-Arbeitsablauf

- Umfang

- MLOps-Sicht auf den ML-Workflow

- MLOps-Fälle

MLOps-Entwicklung

- Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen

- MLOps-Sicherheit

- Automatisieren

- Apache Airflow

- Kubernetes-Integration für MLOps

- Amazon SageMaker für MLOps

- Bringen Sie Ihren eigenen Algorithmus in eine MLOps-Pipeline ein

- Amazon SageMaker

- Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen

- Code und Bereitstellung Ihres ML-Modells mit AWS CodeBuild

- Das Arbeitsbuch zum MLOps-Aktionsplan

MLOps-Bereitstellung

- Einführung in die Bereitstellungsvorgänge

- Modell-Paketierung

- Inferenz

- Einsetzen des Modells in der Produktion

- SageMaker Produktionsvarianten

- Strategien für den Einsatz

- Einsatz an der Grenze

- Durchführen von A/B-Tests

- MLOps-Aktionsplan Arbeitsbuch

Modellüberwachung und Betrieb

- Fehlersuche in Ihrer Pipeline

- Die Bedeutung der Überwachung

- Überwachung durch Design

- Überwachen Sie Ihr ML-Modell

- Human-in-the-loop

- Amazon SageMaker Modell-Monitor

- Amazon SageMaker Pipelines, Model Monitor, Model Registry und Feature Store

- Lösen des Problems/der Probleme

- Das MLOps Action Plan Workbook

Nachbereitung

- Nachbearbeitung der MLOps-Aktionsplan-Arbeitsmappe