Der Call for Proposals für die Minds Mastering Machines 2025 ist gestartet. Wir freuen uns auf Eure Einreichungen!

MLOps – Überblick, Methoden und Technologien


Dieser Workshop findet am 23. April 2024 in Köln statt.


Wer bisher nur wenig mit der Operationalisierung von ML-Projekten zu tun gehabt hat, erhält in diesem Workshop den Überblick und eine praxisorientierte Einführung. Damit können Sie sich an die nächsten Schritte Ihres Projekts wagen und gut vorbereitet von den Vorträgen der Minds Mastering Machines 2024 profitieren.

Daher geht es in diesem Workshop darum, die relevantesten Elemente von MLOps selbst anhand von Beispielen umzusetzen. Kernthemen sind dabei:

  • Versionierung und Verwaltung von Daten, Experimenten und Modellen: Wie kann ich meine Daten und Modelle effektiv verwalten, ohne den Überblick über meine Änderungen zu verlieren?
  • Orchestrierung der verschiedenen Teilprozesse einer ML-Pipeline: Wie kann ich effizient meine Daten aufbereiten, mein Modell trainieren und Vorhersagen treffen – und das immer wieder von vorne?
  • MLOps-Praktiken für Continuous Delivery: Wie bekomme ich mein Modell in Produktion, und das regelmäßig, automatisch und zuverlässig?
  • Monitoring produktiver ML-Anwendungen: Funktioniert mein Modell auch in der echten Welt oder muss ich es nachjustieren?
Für die Umsetzung in den Hands-on-Übungen kommen verbreitete Werkzeuge wie dvc, mlflow, dagster, FastAPI und ONNX zum Einsatz. Aber auch weitere populäre Werkzeuge wie beispielsweise Airflow, Kubeflow sowie die Angebote der großen Cloud-Anbieter werden in Bezug auf die Fragestellungen eingeordnet.

Vorkenntnisse

Python-Kenntnisse sind hilfreich, aber nicht unbedingt notwendig. Der Fokus liegt auf Nutzung und Nutzungsmöglichkeiten der Tools, weniger auf Programmierung.

Lernziele

Ziel des Workshop ist es, dass Sie für die Herausforderungen in diesem Umfeld Lösungsstrategien kennen. Außerdem können Sie einschätzen, welche Tools Sie bei welchen Problemen unterstützen. Dabei geht der Blick nicht nur auf oben genannten Werkzeuge, sondern ordnet auch weitere populäre Werkzeuge ein, zum Beispiel Airflow, Seldon Core sowie die Angebote der großen Cloud-Anbieter.

Agenda

  • ab 09:00 Uhr: Registrierung und Begrüßungskaffee
  • 10:00 - 11:00 Uhr: Einstieg, Überblick ML-Ops, Daten & Modellverwaltung
  • 11:00 - 12:30 Uhr: CI & CD für Machine Learning
  • 12:30 - 13:30 Uhr: Mittagspause
  • 13:30 - 15:00 Uhr: Pipelines & Orchestrierung
  • 15:00 - 15:15 Uhr: Kaffeepause
  • 15:15 - 16:15 Uhr: Deployment & Monitoring
  • 16:15 - 16:30 Uhr: Kaffeepause
  • 16:30 - 17:00 Uhr: Abschluss und Q&A
  • ca. 17:00 Uhr: Ende

 

Technische Anforderungen

Docker & Docker-Compose in aktueller Version, optimalerweise mit Admin-Rechten auf dem Rechner.

Docker-Images für den Workshop sowie eine Anleitung zur (kurzen) Einrichtung werden rechtzeitig vor dem Workshop bereitgestellt. Die Einrichtung sollte vor dem Workshop durchgeführt werden.

Speaker

 

Tim Sabsch
Tim Sabsch möchte als Data Scientist seine ML-Modelle nicht nur auf dem eigenen Rechner sehen, sondern in der realen Anwendung und mit echtem Mehrwert für den Kunden. Dabei stößt er regelmäßig auf neue Tools und coole Tricks, die er mit der Community teilt.

Anke Koke
Anke Koke ist Data Scientist bei der codecentric AG. Mit ihrer Arbeit möchte sie Kunden bei der erfolgreichen Umsetzung von KI-Projekten unterstützen. Dabei ist es ihr wichtig, einen spürbaren Nutzen zu schaffen und bestehende Arbeitsabläufe zu erleichtern. Aktuell ist sie vor allem im Bereich Computer Vision unterwegs und entdeckt dabei immer wieder neue spannende Tools

Denis Stalz-John
Denis Stalz-John spezialisiert sich auf die Bereiche Computer Vision, Semantische Segmentierung, Object Detection und Deep Learning. Sein beruflicher Einstieg erfolgte beim Corporate Research der Robert Bosch GmbH im Bereich Fahrer-Assistenzsysteme und autonomes Fahren. Seit 2018 arbeitet er als Data Scientist bei der codecentric AG.

M3-Newsletter

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

 

Anmelden