Übersicht
Dieser Kurs vermittelt die Methoden, Prozesse und Technologien für den erfolgreichen Betrieb von Machine-Learning-Modellen auf AWS. Aufbauend auf bewährten DevOps-Praktiken lernen Sie, wie Machine-Learning-Workflows automatisiert, standardisiert und zuverlässig in produktiven Umgebungen betrieben werden.
Im Fokus stehen Amazon SageMaker, MLOps-Pipelines, CI/CD für Machine Learning, Monitoring, Governance und die Automatisierung von Modelllebenszyklen. Sie erfahren, wie Daten, Modelle und Quellcode professionell verwaltet werden und wie produktive ML-Anwendungen kontinuierlich überwacht, optimiert und weiterentwickelt werden können.
``
Lernziele
- Verstehen der grundlegenden Konzepte, Prinzipien und Vorteile von Machine Learning Operations (MLOps).
- Einordnung der Unterschiede und Gemeinsamkeiten zwischen DevOps und MLOps.
- Bewertung von Sicherheits-, Governance- und Compliance-Anforderungen für Machine-Learning-Anwendungen.
- Einrichtung und Verwaltung von Experimentierumgebungen mit Amazon SageMaker.
- Anwendung von Best Practices zur Versionierung und Verwaltung von ML-Daten, Modellen und Quellcode.
- Entwurf und Implementierung von CI/CD-Pipelines für Machine-Learning-Workloads.
- Automatisierung von Build-, Test- und Bereitstellungsprozessen für ML-Modelle.
- Entwicklung skalierbarer und reproduzierbarer MLOps-Workflows.
- Implementierung von Monitoring- und Observability-Lösungen für produktive ML-Anwendungen.
- Erkennung von Modellverschiebungen und Automatisierung von Nachtrainingsprozessen.
Hinweis
Dieser Kurs richtet sich an Teilnehmer mit Erfahrung im Bereich AWS, DevOps und Machine Learning. Für den größtmöglichen Lernerfolg werden praktische Kenntnisse in Amazon SageMaker sowie grundlegende Erfahrungen mit ML-Workflows empfohlen.
Zielgruppe
- MLOps Engineers
- Machine-Learning-Ingenieure
- DevOps-Ingenieure mit Fokus auf KI- und ML-Plattformen
- Data Scientists mit Verantwortung für produktive ML-Modelle
- Cloud-Architekten und Cloud-Ingenieure im Bereich Machine Learning
Voraussetzungen
- Kenntnisse entsprechend AWS Technical Essentials oder vergleichbare AWS-Grundlagenkenntnisse.
- Kenntnisse entsprechend DevOps Engineering on AWS oder vergleichbare praktische DevOps-Erfahrung.
- Praktische Erfahrung mit Data Science, Machine Learning und Amazon SageMaker oder vergleichbaren Plattformen.
``
Inhalte
Grundlagen von MLOps
- Einführung in MLOps
- Prozesse, Rollen und Technologien
- Vergleich von DevOps und MLOps
- Sicherheit und Governance für ML-Anwendungen
- MLOps-Reifegradmodell
Experimentieren und Modellentwicklung mit Amazon SageMaker
- Einrichtung von Experimentierumgebungen
- Amazon SageMaker Studio
- Lifecycle-Konfiguration und Provisionierung
- Praxisübungen mit SageMaker Studio
- Grundlagen initialer MLOps-Prozesse
Versionierung und Wiederholbarkeit
- Versionierung von Daten, Modellen und Quellcode
- Datenmanagement für Machine Learning
- Code-Repositories im ML-Umfeld
- Reproduzierbare Entwicklungsprozesse
ML-Pipelines und Workflow-Automatisierung
- SageMaker Pipelines
- Orchestrierung von Modelltrainings- und Bereitstellungsprozessen
- AWS Step Functions
- SageMaker Projects
- Automatisierung und Standardisierung von MLOps-Workflows
- Integration von Drittanbieter-Tools
- Human-in-the-Loop-Konzepte
CI/CD für Machine Learning
- Continuous Integration und Continuous Delivery für ML-Workloads
- Automatisierte Paketierung und Bereitstellung von Modellen
- Teststrategien für ML-Anwendungen
- Multi-Account-Strategien
- Traffic Shifting und kontrollierte Modellbereitstellungen
- Skalierungsstrategien für produktive ML-Systeme
Monitoring und Betrieb produktiver Modelle
- Monitoring von ML-Anwendungen
- Überwachung von Datenverschiebungen (Data Drift)
- Erkennung von Modellverschiebungen
- Fehleranalyse und Troubleshooting von ML-Pipelines
- Automatisierte Nachtrainingsprozesse
- Betrieb und Optimierung produktiver ML-Systeme
Termine
Bitte fragen Sie uns nach Terminen und Preisen.
