MLOps: DevOps für Machine Learning

Ein Machine-Learning-Modell zu trainieren wird immer einfacher. Die eigentliche Herausforderung besteht aber darin, ein Machine-Learning-System in die Produktion zu heben und auch dort zu betreiben. In der Softwareentwicklung hat sich DevOps dafür als unverzichtbar erwiesen.
In diesem Vortrag spreche ich darüber, wie wir die Erkenntnisse aus dem "traditionellen" Software-Engineering im ML-Bereich anwenden können.
Außerdem lernt Ihr, wie wir unser Machine-Learning-Modell und unsere Daten versionieren, testen und überwachen können.
Wir werden über verschiedene Tools und Architekturen für MLOps sprechen und darüber, warum wir unsere Jupyter-Notebooks nicht in die Produktion deployen.

Vorkenntnisse

* Grundkenntnisse Softwareentwicklung
* Grundkenntnisse Machine Learning
* Grundkenntnisse DevOps

Lernziele

* Warum brauchen wir Pipelines für maschinelles Lernen und Data Science?
* Warum sollte ich mein Jupyter-Notebook nicht in Produktion pushen?
* Was unterscheidet Data Science von "traditionellem" Software-Engineering?
* Merkmale und Ziele von erfolgreichem MLOps
* Häufige Missverständnisse über ML in der Produktion
* Reifegrade für Pipelines für Machine Learning
* Architekturentwürfe für ML-Pipelines
* Auswahl der Werkzeuge für Pipelines