Continuous Integration für ML-Anwendungen – ein Praxisbeispiel

Machine-Learning-Modelle veralten und müssen retrainiert werden – so der weiterverbreitete Tenor aktuell.

Nachdem wir diese These etwas genauer einordnen, wird gezeigt wie dies geschehen kann.

  • Welche Komponenten braucht eine CI/CD-Pipeline für Machine Learning wirklich – und welche sind optional?
  • Wie lässt sich das ganze umsetzen, ohne dabei ein komplettes ML-Platform-Team aufzubauen?
  • Und welche Herausforderungen sind auch aktuell noch schwierig zu lösen?

Vorkenntnisse

Erfahrung mit Daten- und ML-Architekturen sind hilfreich, aber nicht notwendig.

Lernziele

  • Ein Erfahrungsbericht inkl. (Fehl-)Entscheidungen, der helfen wird, bei den eigenen Herausforderungen den richtigen Weg einzuschlagen.
  • Zudem gibt es einen Überblick über die wesentlichen Komponenten einer funktionierenden Machine-Learning-Plattform, die durch hohe Automatisierung und geringe Fertigungstiefe den Fokus auf die Lösung der fachlichen Herausforderungen legt.

Speaker

 

Matthias Niehoff
Matthias Niehoff ist als Data Architect sowie Head of Data & AI für die codecentric AG unterwegs und unterstützt Kunden bei Design und Umsetzung von Datenarchitekturen. Dabei liegt sein Fokus weniger auf dem Modell, sondern viel mehr auf der notwendigen Infrastruktur und Organisation, um Daten- und KI-Projekten zum Erfolg zu verhelfen

M3-Newsletter

Sie möchten über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden