Kursbeschreibung
In diesem Seminar entwickelst Du ein belastbares Deployment- und Betriebskonzept für Machine-Learning-Modelle auf Azure. Statt Einmal-Deployments geht es um einen Ablauf, der bei jedem Release wieder funktioniert: klare Artefakte, saubere Versionierung, automatisierte Schritte und ein Betrieb, der Probleme früh sichtbar macht. Du startest mit MLOps-Grundlagen und übersetzt sie auf Azure: Welche Komponenten gehören in den Azure Machine Learning Workspace, wie werden Environments gepflegt und wie sorgt die Model Registry dafür, dass Du jederzeit weißt, was wo läuft. Danach arbeitest Du an der technischen Umsetzung. Du strukturierst Trainingsjobs so, dass sie reproduzierbar sind, definierst Abhängigkeiten über Conda oder Docker und erstellst einen Inferenz-Contract, der Input, Output und Fehlerverhalten festlegt. Mit gezielten Tests stellst Du sicher, dass ein Modell nicht erst in der Produktion auffällt, weil ein Feature fehlt oder ein Datentyp nicht passt. Auf dieser Basis setzt Du eine CI/CD-Pipeline mit Azure DevOps oder GitHub Actions auf. Du lernst, wie Deployments in Dev, Test und Prod getrennt werden, wie Freigaben funktionieren und wie Du Identitäten und Secrets sicher handhabst. Für die Bereitstellung nutzt Du Managed Online Endpoints oder Batch Endpoints, steuerst Skalierung und Traffic und übst Rollback-Szenarien. Abschließend baust Du Monitoring mit Logs, Metriken und Alerts auf und bewertest Drift, damit Du Betrieb nicht als Bauchgefühl, sondern als messbaren Prozess führst.
Die wichtigsten Themen im Überblick
- Azure Machine Learning Workspaces sauber aufsetzen
- Daten, Code, Umgebungen und Modelle versionieren
- Trainingsjobs und Artefakte reproduzierbar paketieren
- CI/CD-Pipelines für ML mit Azure DevOps aufbauen
- Modelle als Online Endpoints und Batch Endpoints deployen
- Blue/Green und Canary Releases mit Rollback umsetzen
- Azure Monitor für Metriken, Logs und Alerts einrichten
- Driftanalysen und Retraining-Trigger für den Betrieb planen
Zielgruppe
- Machine-Learning Engineers und Data Scientists mit Produktivierungsauftrag
- DevOps Engineers, die ML-Workloads auf Azure betreiben
- Cloud Architects, die MLOps-Standards definieren
- Engineering Leads, die Release- und Betriebsprozesse für ML verantworten
- Für alle, die ML-Modelle auf Azure zuverlässig ausrollen und betreiben wollen
Voraussetzung für die Schulung
- Grundverständnis von Machine Learning (Training vs. Inferenz) und gängigen Deployment-Konzepten.
- Erste Erfahrung mit Git und einer CI/CD-Umgebung ist hilfreich.
Kursinhalte
- MLOps-Grundlagen auf Azure
- Lebenszyklus: Training, Registry, Deployment, Monitoring
- Rollen, Verantwortlichkeiten, Übergaben zwischen Data Science und Betrieb
- Reproduzierbarkeit: Daten, Code, Umgebungen, Artefakte
- Azure Machine Learning Workspace sauber aufsetzen
- Workspaces, Compute, Environments und Zugriffskonzepte
- Datastores, Datasets und Versionierung
- Model Registry und Asset-Management
- Training und Packaging für Deployment
- Standardisierte Trainingsjobs und Outputs
- Conda/Docker Environments für konsistente Runs
- Scoring Script, Inferenz-Contract und Tests
- CI/CD für ML mit Azure DevOps oder GitHub
- Pipeline-Struktur: Build, Test, Register, Deploy
- Secrets, Service Principals und Managed Identity
- Promotion: Dev, Test, Prod mit Freigaben
- Bereitstellung: Online Endpoints und Batch
- Managed Online Endpoints: Skalierung, Traffic, Rollback
- Batch Endpoints für geplante Inferenz
- Blue/Green und Canary Releases in der Praxis
- Monitoring, Drift und Betrieb
- Logging, Metriken und Alerting mit Azure Monitor
- Daten- und Model Drift erkennen und bewerten
- Runbooks: Incident, Rollback, Retraining-Trigger
