Kursbeschreibung
Dieses Seminar zeigt, wie du DevOps-Prinzipien gezielt auf den gesamten Lebenszyklus von Machine-Learning-Modellen anwendest. Im Mittelpunkt stehen Automatisierung, Tools und strukturierte Prozesse, um ML-Anwendungen effizient und sicher zu operationalisieren. du lernst, wie sich Abweichungen von Leistungskennzahlen frühzeitig erkennen und gezielt beheben lassen. Das Training kombiniert fundierte Theorie mit praxisnahen Übungen und basiert auf offiziellen AWS-Ressourcen. In einer professionellen Lernumgebung profitierst du vom Austausch mit erfahrenen Experten und erhältst wertvolle Impulse für den Aufbau stabiler MLOps-Pipelines.
Die wichtigsten Themen im Überblick
- MLOps auf AWS verstehen
- ML-Pipelines automatisieren
- SageMaker praxisnah nutzen
- Modelle sicher bereitstellen
- Monitoring für ML-Modelle
- A/B-Tests gezielt einsetzen
Zielgruppe
Dieses Training richtet sich an Fachkräfte, die als DevOps- oder ML-Ingenieure sowie als Entwickler für die Operationalisierung von Machine-Learning-Modellen verantwortlich sind und robuste MLOps-Prozesse auf AWS etablieren möchten.
Voraussetzung für die Schulung
Für eine erfolgreiche Teilnahme solltest du idealerweise bereits praktische Erfahrung mit AWS gesammelt haben – insbesondere durch die Trainings AWS Technical Essentials, DevOps Engineering on AWS und Practical Data Science with Amazon SageMaker oder durch vergleichbare Kenntnisse in Cloud- und Machine-Learning-Projekten.
Kursinhalte
- Folgende Lerninhalte werden in unserem KI-Kurs vermittelt:
- Tag 1: Einführung in MLOps
- Machine Learning Operations (MLOps)
- Ziele von MLOps
- Von DevOps zu MLOps: Parallelen und Unterschiede
- Überblick: ML-Arbeitsablauf und MLOps-Workflow
- Praktische Anwendungsfälle von MLOps
- Tag 2: MLOps-Entwicklung
- Erstellen, Trainieren und Bewerten von ML-Modellen
- Sicherheit im MLOps-Prozess
- Automatisierung mit Apache Airflow und Kubernetes
- Einsatz von Amazon SageMaker für MLOps
- Integration eigener Algorithmen in MLOps-Pipelines
- Demonstration: Code und Bereitstellung eines ML-Modells mit AWS CodeBuild
- Tag 3: MLOps-Bereitstellung und -Überwachung
- Modell-Paketierung und Inferenz
- Strategien für die Modellbereitstellung: Produktionsvarianten, A/B-Tests, Edge-Bereitstellung
- Überwachung von ML-Modellen:
- Überwachung durch Design
- Einsatz von Amazon SageMaker Model Monitor, Pipelines, Model Registry und Feature Store
- Reaktionen bei Abweichungen von Leistungskennzahlen
- Fehlersuche und Optimierung von MLOps-Pipelines
- Tag 1: Einführung in MLOps
