Das MLOps WorkbookEin Onlinekurs für die ersten Schritte mit 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.

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.

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.

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.

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.

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.