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.