Das MLOps Workbook: Ein Onlinekurs für die ersten Schritte mit MLOps

Dieser Kurs wird Dir und Deinem Team dabei helfen, die Konzepte und bewährten Praktiken zu verstehen, die notwendig sind, um Deine Machine Learning Operations (MLOps) in Deinen Projekten zu skalieren. Er bietet den Mitgliedern deines ML-Projektteams einen gründlichen Überblick über die Herausforderungen und Entscheidungen, die bei der Entwicklung professioneller ML-Systeme auftreten können. Anstatt sich auf die Entwicklung eines Tools zu konzentrieren, legt der Kurs den Fokus auf Konzepte und Rahmenbedingungen, die dazu beitragen, ein gemeinsames Verständnis von MLOps innerhalb von ML-Teams zu fördern. Der Kurs ist um den ML-Lebenszyklus strukturiert, was eine entscheidende Perspektive auf MLOps bietet, beginnend bei der Planung eines Machine Learning Projekts bis zur Implementierung von Feedbackschleifen nach der Bereitstellung Deines Projekts.

Unter anderem wirst du lernen, wie du ein ML-Projekt planen kannst und wie du den angewandten AI Projektmanagement-Rahmen auf deine ML-Projekte anwenden kannst. Du erfährst, wie verschiedene Verantwortlichkeiten in den verschiedenen Phasen des Projekts eingebunden werden sollten und wie die ML-Prinzipien als Grundlage für MLOps dienen. Der Kurs wird von einer Videoserie begleitet und mit einem Arbeitsbuch geliefert, das Du behalten kannst, um leicht auf den Kursinhalt zuzugreifen. Du arbeitest parallel zur Videoserie mit Deiner eigenen Kopie des Arbeitsbuchs in Form einer PDF-Datei, eines digitalen Whiteboards oder einer physischen Kopie.

🎯 Nach Abschluss des Kurses wirst Du in der Lage sein die grundlegenden Prinzipien und Rahmenbedingungen, die MLOps zugrunde liegen, zu erklären. Du wirst, die Unterschiede zwischen professionellen und nicht professionellen MLOps-Arbeitsabläufen erkennen, was dir ermöglicht, konkrete Verbesserungen in deinen eigenen MLOps-Prozessen zu identifizieren und umzusetzen.

📌 Konkret solltest Du nach Abschluss des Kurses in der Lage sein:

• die vier Aspekte von MLOps zu erklären, nämlich den ML-Lebenszyklus, die ML-Verantwortlichkeiten, die ML-Prinzipien und den angewandten KI Projektmanagement-Rahmen
• die wichtigsten Überlegungen und bewährten Praktiken für eine effektive Projektplanung in einem ML-Projekt zu erläutern
• konkrete Verbesserungen für jeden Schritt des ML-Lebenszyklus zu benennen und zu beschreiben
• die Beteiligung und Verantwortlichkeiten der verschiedenen Akteure im ML-Projektteam während des ML-Lebenszyklus zu erklären.

Überblick über die vier Perspektiven auf MLOps

In diesem Abschnitt werden wir die vier wichtigen Sichtweisen auf MLOps betrachten: den Lebenszyklus von Machine Learning (ML), die Verantwortlichkeiten im ML-Bereich, die Prinzipien von ML und den angewandten AI Projektmanagement-Rahmen. Wir werden herausfinden, wie diese Konzepte miteinander interagieren und die Grundlage für die folgenden Abschnitte legen.

Die Scopingphase im ML-Lebenszyklus

Hier tauchen wir tief in die Projektplanung ein, in die erste Stufe des ML-Lebenszyklus. Du wirst lernen, wie man ein KI-Projekt in verschiedene Phasen aufteilt, um Unsicherheiten zu minimieren. Außerdem erfährst Du, wie man KI-Projekte von der Ideenfindung bis zur Umsetzung plant, indem Du eine Projektplanungswerkstatt durchführst.

Die Datenverarbeitungsphase im ML-Lebenszyklus

In diesem Abschnitt zeigen wir verschiedene Methoden, um die Datenverarbeitung in Deiner Organisation zu optimieren, indem bewährte Verfahren während der Datenerfassung -vorbereitung und -verwaltung angewendet werden. Du wirst unter anderem Techniken wie ETL/ELT, Datenversionierung, automatische Qualitätsprüfungen, Verfolgung der Datenherkunft und Datenkataloge kennenlernen.

Die Modellierungsphase im ML-Lebenszyklus

Dieser Abschnitt konzentriert sich auf verschiedene Methoden zur Verbesserung des Modelltrainings und der Modellverwaltung. Du wirst verstehen, was ein ML-Experiment ist und Techniken wie Experimentverfolgung, Modellversionierung und Modellregister erkunden. Außerdem wirst Du erfahren, wie Data Scientists und ML-Ingenieure während der Modellierungsphase effektiv zusammenarbeiten können.

Die Bereitstellungsphase im ML-Lebenszyklus

Hier werden verschiedene Methoden zur Verbesserung des Managements, der Überwachung und der Wartung von KI-Modellen vorgestellt. Du wirst mehr über verschiedene Modelldienst-Muster und Bereitstellungsstrategien erfahren. Zudem wirst Du verstehen, wie die Leistung von Modellen durch Veränderungen in den Daten, Verschiebungen in den Kovariablen, Änderungen in den Labels und Konzeptänderungen beeinflusst wird.

Feedback-Schleifen und ML-Orchestrierung

Dieser Abschnitt behandelt die verschiedenen Rückkopplungsschleifen im gesamten ML-Lebenszyklus und erörtert Möglichkeiten zur orchestrierten Ausführung. Du wirst erfahren, was es bedeutet, einen ML-Arbeitsablauf zu orchestrieren, welche Arten von Auslösern eine Neuschulung der Modelle erfordern und wie Orchestrierungstools die Zusammenarbeit in ML-Teams unterstützen.

Melde dich jetzt an und starte mit MLOps durch.

Unsere Inhalte, die unter der Creative Commons Attribution 4.0 International License (CC BY 4.0) zur Verfügung stehen, können frei geteilt, angepasst und für kommerzielle Zwecke verwendet, wenn sie mit der korrekten Angabe "appliedAI Institute for Europe gGmbH" versehen werden.