Vielen Dank an alle Beteiligten für eine erfolgreiche M3 2024 in Köln! Im Herbst geht es weiter mit M3-Online-Events!

MLOps made easy: Probleme erkennen und endlich produktiv gehen

Nach einem erfolgreichen Proof of Concep werden viele ML-Vorhaben nicht geschäftskritisch eingesetzt, da die produktive Umsetzung meist zu aufwändig ist. Insbesondere bei Pilotprojekten erscheint dieser Aufwand oftmals sowohl zeitlich als auch finanziell unerreichbar. MLOps als Ende-zu-Ende-Entwicklungsprozess für ML-Projekte hilft nach erfolgreichem Design bei der Entwicklung von reproduzierbaren, testbaren und erweiterbaren ML-Lösungen.

Wir betrachten den MLOps-Prozess aus drei Perspektiven (Data Scientist, Software Engineering, Management) und identifizieren Anforderungen, um Probleme bei der Umsetzung frühzeitig zu erkennen. Basierend darauf leiten wir Best Practices für einen erfolgreichen Go-Live ab.

Vorkenntnisse

Die Teilnehmer:innen sollten ein grundlegendes Verständniss von Machine Learning und dem Anfertigen eines ML Proof-of-Concept haben. Darüber hinaus sind Grundkennisse aus dem Bereich Software Engineering erwünscht.

Lernziele

  • Einführung von MLOps und wie damit bestehende ML-Vorgehensmodelle erweitert werden.
  • Häufige Gründe, warum ML-Probleme nach ihrem POC nicht produktiv gehen und was man dagegen tun kann.
  • Wie Grundsätze und Prinzipien unter anderem aus dem Bereich des Software Engineering bei der Umsetzung von MLOps helfen kann.
  • Überblick MLOps-Reifegradmodell.

Speaker

 

Melanie B. Sigl
Melanie B. Sigl ist Managing Consultant und leitet den Bereich Machine Learning bei PRODATO Integration Technology GmbH. Zusätzlich ist sie freiberufliche Dozentin und externe Doktorandin am Lehrstuhl für Datenmanagement an der FAU Erlangen-Nürnberg.

M3-Newsletter

Ihr möchtet über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden