MLOps - Skalier- und wartbare ML-Projekte

Wer Machine-Learning-Modelle nicht nur entwickeln, sondern zuverlässig und automatisiert in den produktiven Betrieb überführen möchte, erhält in dieser Weiterbildung das nötige Praxiswissen. Im Mittelpunkt steht die Frage, wie ML-Projekte langfristig wartbar, reproduzierbar und skalierbar bleiben.

Mit dem Kurs MLOps - Skalier- und wartbare ML-Projekte richtet sich das Angebot an Data Scientists, ML-Entwicklerinnen und Entwickler sowie alle, die ihre Modelle vom Prototyp bis zur Live-Anwendung professionell betreiben wollen.

Sie lernen, wie sich Modelle, Daten und Parameter nachvollziehbar versionieren lassen und wie Sie mit Tools wie MLflow und DVC reproduzierbare ML-Prozesse aufbauen. Ein besonderer Schwerpunkt liegt auf CI/CD-Pipelines, mit denen Trainingsabläufe wiederholbar und automatisiert gestaltet werden.

Darüber hinaus etablieren Sie Monitoring-Strategien, um Modellqualität dauerhaft im Blick zu behalten, Drifts frühzeitig zu erkennen und ein Retraining vorzubereiten. So sorgen Sie für stabile und kontrollierbare Anwendungen im Unternehmensalltag.

Auch das Deployment im Unternehmenskontext wird praxisnah behandelt – etwa die Bereitstellung von Modellen als API und die enge Zusammenarbeit mit DevOps-Teams. Damit gewinnen Sie mehr Sicherheit im produktiven ML-Betrieb und sparen wertvolle Zeit bei wiederkehrenden Aufgaben.

Dieses Seminar ist ein Angebot der PC-COLLEGE - Gruppe.

Was ist MLOps – und warum ist es notwendig?

- Herausforderungen im produktiven ML-Betrieb

- Typische Fehlerquellen und Lösungen

Projektstruktur und Versionierung

- Daten, Code, Parameter und Modelle nachvollziehbar organisieren

Modell-Tracking mit MLflow

- Experimente dokumentieren

- Ergebnisse vergleichen

- Modelle registrieren

Automatisierung im Trainingsprozess

- Wiederholbare Abläufe mit einfachen Skripten oder CI-Tools

Monitoring und Nachvollziehbarkeit

- Modellqualität beobachten

- Drifts erkennen

- Retraining vorbereiten

Modellbereitstellung im Unternehmenskontext

- Deployment-Varianten

- Modell als API

- Zusammenarbeit mit DevOps-Teams