Von Modellen zu Mehrwert - Machine Learning erfolgreich in Produktion bringen.
Mit MLOps-Grundlagen erhalten Sie einen praxisnahen Leitfaden, wie Sie Machine-Learning-Modelle zuverlässig entwickeln, bereitstellen und betreiben. Statt Modelle nur im Labor zu bauen, lernen Sie, wie diese in realen Umgebungen skalierbar, reproduzierbar und sicher funktionieren.

• Einführung in MLOps: Konzepte, Vorteile und Best Practices

• Unterschiede zwischen ML-Entwicklung und ML-Betrieb

• Aufbau einer ML-Pipeline: Daten, Training, Validierung, Deployment

• Modellversionierung und Nachvollziehbarkeit (MLflow, DVC)

• Automatisierung mit CI/CD für Machine Learning

• Containerisierung und Deployment mit Docker und Kubernetes

• Monitoring von ML-Modellen in der Produktion (Drift, Performance, Logging)

• Retraining und Continuous Learning

• Sicherheit, Governance und Skalierung im Produktivbetrieb

• Praxisprojekt: Von einem ML-Modell bis zur produktionsreifen API

• Data Scientists, die ihre Modelle produktiv einsetzen möchten

• ML Engineers, die stabile Pipelines bauen wollen

• Softwareentwickler, die KI in bestehende Systeme integrieren möchten

• IT-Teams, die skalierbare ML-Lösungen betreiben wollen

• Klare, praxisnahe Erklärungen ohne unnötige Theorie

• Mit Tools, Frameworks und Best Practices aus der Industrie

• Schritt für Schritt von der Modellentwicklung bis zum Deployment