AWS - MLOps Engineering on AWS

In der Schulung AWS - MLOps Engineering on AWS erleben die Teilnehmenden eine Weiterentwicklung der DevOps-Praktiken zur Integration von maschinellem Lernen in die Produktionsumgebung. Sie lernen, wie essentielle Komponenten wie Daten, Modelle und Code optimal zusammenwirken, um ML-Modelle effizient zu erstellen, zu trainieren und bereitzustellen. Die Teilnehmer arbeiten mit Tools und automatisierten Prozessen, um die reibungslose Zusammenarbeit zwischen Dateningenieuren, Datenwissenschaftlern, Softwareentwicklern und dem Betrieb sicherzustellen und Herausforderungen in der Übergangsphase souverän zu meistern. Ein besonderer Vorteil des Kurses ist die Vermittlung von Verfahren zur Überwachung, die es ermöglichen, bei Abweichungen in der Modellvorhersage zeitnah Maßnahmen zu ergreifen.

Während der Schulung besteht die Möglichkeit, durch interaktive Reflexion und den Austausch mit Kollegen und Dozenten, einen MLOps-Aktionsplan zu entwickeln, der direkt in der eigenen Organisation anwendbar ist. Dieser praxisnahe Ansatz zur Erstellung eines Plans sorgt für nachhaltige Weiterentwicklungsmöglichkeiten im beruflichen Umfeld. Die Schulung wird auf Deutsch gehalten, jedoch sind die Kursmaterialien teilweise in englischer Sprache verfügbar, was den internationalen Standard und die Relevanz der Inhalte unterstreicht.

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