MLOps Engineering on AWS

Übersicht

Dieser Kurs baut auf der DevOps-Methodik der Softwareentwicklung auf und erweitert diese für das Erstellen, Trainieren und Bereitstellen von Machine-Learning-Modellen (ML). Er basiert auf einem vierstufigen MLOps-Reifegradmodell und fokussiert die ersten drei Stufen: Initial, Wiederholbar und Zuverlässig. Der Kurs betont die Bedeutung von Daten, Modellen und Code für erfolgreiche ML-Bereitstellungen. Zudem lernen Sie den Einsatz von Tools, Automatisierung, Prozessen und Teamarbeit kennen, um Herausforderungen bei der Zusammenarbeit von Data Engineers, Data Scientists, Softwareentwicklern und Betrieb zu meistern. Außerdem behandelt der Kurs Monitoring-Strategien für Produktionsmodelle und das Erkennen von Modellverschiebungen.

Lernziele

Nach Abschluss dieses Kurses sind Sie in der Lage, die Vorteile von MLOps fundiert zu erläutern sowie DevOps und MLOps miteinander zu vergleichen und deren Unterschiede zu erkennen. Sie können Sicherheits- und Governance-Anforderungen bei ML-Anwendungen bewerten und entsprechende Lösungen planen. Zudem lernen Sie, Experimentierumgebungen mit Amazon SageMaker einzurichten und Best Practices zur Versionierung und Sicherstellung der Integrität von ML-Daten, Modellen und Code anzuwenden. Darüber hinaus können Sie verschiedene Ansätze für vollständige CI/CD-Pipelines im ML-Kontext beschreiben, automatisierte Paketierung, Tests und Deployments von ML-Lösungen umsetzen sowie Monitoring-Funktionen für ML-basierte Anwendungen implementieren. Schließlich beherrschen Sie die Erstellung automatisierter Workflows, um Performance-Verluste frühzeitig zu erkennen und ein entsprechendes Nachtraining einzuleiten.

Hinweis

Empfohlen für Teilnehmer mit grundlegenden AWS- und DevOps-Kenntnissen sowie Erfahrung mit Amazon SageMaker.