CI/CD für Machine Learning

Die Produktivsetzung eines erfolgreichen ML-Proof-of-Concept birgt einige Herausforderungen: Ähnlich wie herkömmliche Software besteht ein Machine-Learning-System aus mehreren Komponenten, doch muss es weit mehr als nur kompiliert und installiert werden. Ein ML-System muss nahtlos Modellentwicklung, Modelltraining, kontinuierliches Lernen, Speicherung der Artefakte sowie die Bereitstellung und Überwachung sicherstellen.

Dieser Ende-zu-Ende-Entwicklungsprozess lässt sich mithilfe von MLOps-Praktiken und CI/CD-Pipelines abbilden, um ein reproduzierbares, testbares und erweiterbares ML-System zu gewährleisten.

In diesem Vortrag führen wir MLOps inklusive eines Referenzprozesses und verantwortlicher Rollen ein. Darüber hinaus zeigen wir, welche Schritte notwendig sind, um nach einem erfolgreichen POC in die Produktion zu gehen. Zu jedem dieser Schritte zeigen wir potenzielle Probleme und Best Practices auf, damit dem erfolgreichem Go-Live nichts mehr im Wege steht.

Vorkenntnisse

• Grundwissen Machine Learning
  
• Grundwissen Software Engineering

Lernziele

• Einführung und Definition von MLOps
  
• Unterschied zwischen traditionellen Software- und ML-Projekten sowie zwischen DevOps und MLOps
  
• MLOps-Referenz-Prozess in vier einfachen Schritten und die involvierten Rollen und Verantwortlichkeiten
  
• Häufige Gründe in den jeweiligen MLOps-Prozess-Schritten, 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 können