Entwicklung einer tragfähigen MLOps-Strategie für Ihre Organisation.

• Reifegradanalyse Ihrer ML-Prozesse: Bewertung Ihrer aktuellen Abläufe anhand etablierter MLOps-Maturity-Modelle.

• Architektur für ML-Plattformen: Konzeption einer skalierbaren MLOps-Architektur für Cloud, Hybrid oder On-Premises.

• Tool-Auswahl und Toolchain-Design: Vergleich und Auswahl passender Tools wie MLflow, Kubeflow, DVC, Airflow oder SageMaker.

Aufbau reproduzierbarer Trainings- und Deployment-Pipelines.

• End-to-End-Pipelines: Vom Daten-Ingest über Feature Engineering bis zum Modell-Deployment – durchgängig automatisiert.

• Continuous Training & CI/CD: Automatisierte Re-Trainings, Tests und Deployments bei neuen Daten oder Code-Änderungen.

• Workflow-Orchestrierung: Einsatz von Kubeflow, Airflow, Prefect oder ZenML für robuste, wiederverwendbare Workflows.

Zuverlässiger Betrieb Ihrer Modelle im produktiven Einsatz.

• Serving-Strategien: Online-, Batch- und Streaming-Inferenz mit BentoML, KServe, TorchServe oder TensorFlow Serving.

• Drift Detection & Performance-Monitoring: Frühzeitiges Erkennen von Data Drift, Concept Drift und Leistungsabfall.

• Observability für ML: Integration in Monitoring-Stacks wie Prometheus, Grafana, Evidently oder Arize.

Verantwortungsvoller Einsatz von KI in regulierten Umgebungen.

• Compliance & EU AI Act: Umsetzung regulatorischer Anforderungen für ML-Systeme.

• Erklärbarkeit & Fairness: Einsatz von SHAP, LIME und Bias-Analysen zur Bewertung Ihrer Modelle.

• Sicherheit von ML-Systemen: Schutz vor Adversarial Attacks, Data Poisoning und Modellmissbrauch.

Trainingsformate für Data Scientists, ML-Engineers und DevOps-Teams.

• MLOps-Grundlagen: Einführung in Prinzipien, Tools und Workflows produktiver ML-Systeme.

• Hands-on-Workshops: Praktische Übungen zu Pipelines, Deployment und Monitoring mit realen Use Cases.

• Individuelle Inhouse-Schulungen: Maßgeschneiderte Trainings, abgestimmt auf Ihre Toolchain und Organisationsstruktur.

• Data Scientists, die ihre Modelle reproduzierbar und produktionsreif machen möchten

• Machine-Learning-Engineers, die End-to-End-Pipelines für Training und Deployment aufbauen wollen

• DevOps- und Plattform-Engineers, die ihre Toolchain um ML-spezifische Anforderungen erweitern möchten

• Verstehen der zentralen MLOps-Prinzipien und ihrer Abgrenzung zu klassischem DevOps

• Aufbau reproduzierbarer ML-Pipelines mit Versionierung von Code, Daten und Modellen

• Implementierung von Continuous Training (CT), Continuous Integration (CI) und Continuous Deployment (CD) für ML-Systeme

• Praxisorientierte Workshops mit realen ML-Use-Cases und durchgängigen End-to-End-Pipelines

• Live-Demonstrationen von MLOps-Tools wie MLflow, Kubeflow, DVC und BentoML

• Hands-on-Übungen zur Implementierung von Trainings-, Deployment- und Monitoring-Pipelines

• Grundkenntnisse in Machine Learning und gängigen Frameworks wie scikit-learn, TensorFlow oder PyTorch

• Erfahrung in der Programmierung mit Python

• Grundlegendes Verständnis von Git, Containern (Docker) und CI/CD-Konzepten

• Schnellere Überführung von ML-Modellen vom Prototyp in den produktiven Betrieb

• Höhere Zuverlässigkeit und Stabilität durch automatisierte Tests, Deployments und Monitoring

• Reduzierung manueller Aufwände durch reproduzierbare Pipelines und standardisierte Workflows

• Dauer: 1-3 Tage

• Ort: Online oder Inhouse

• Teilnehmer: ab 1 Person

• Netto-Preis 1.200 EUR pro Tag bis einschließlich drei Personen

• Brutto-Preis: 1.428 EUR pro Tag bis einschließlich drei Personen

• Auf Anfrage findet das Seminar mit individuellen Inhalten und Termin vor Ort in Ihrem Unternehmen oder online statt.

• Einordnung von MLOps zwischen Data Science, Software Engineering und DevOps

• Lebenszyklus eines Machine-Learning-Modells im Überblick

• MLOps-Maturity-Modelle und ihre praktische Bedeutung

• Typische Herausforderungen produktiver ML-Systeme

• Rollen und Verantwortlichkeiten in MLOps-Teams

• Unterschiede zwischen klassischer Software-Entwicklung und ML-Engineering

• Best Practices für reproduzierbare Experimente

• Versionierung von Datensätzen mit DVC, LakeFS und Delta Lake

• Aufbau und Betrieb von Feature Stores (z. B. Feast, Tecton)

• Datenqualität und Validierung mit Great Expectations und TensorFlow Data Validation

• Strategien für Trainings-, Validierungs- und Testdaten

• Vermeidung von Data Leakage und Train-Serve-Skew

• Datenschutz und Anonymisierung in ML-Pipelines

• Pipelines für Batch- und Streaming-Daten

• Tracking von Experimenten mit MLflow, Weights & Biases oder Neptune

• Versionierung von Modellen, Parametern und Metriken

• Aufbau eines zentralen Model Registry

• Reproduzierbarkeit durch deterministische Trainingsläufe

• Vergleich und Bewertung mehrerer Modellvarianten

• Promotion-Workflows von Staging in Production

• Lineage und Auditierbarkeit von ML-Artefakten

• Aufbau modularer ML-Pipelines mit Kubeflow Pipelines und ZenML

• Workflow-Orchestrierung mit Apache Airflow und Prefect

• Continuous Training (CT) als Erweiterung klassischer CI/CD-Konzepte

• Trigger für Re-Trainings: zeitbasiert, datenbasiert, performanceabhängig

• Integration von Pipelines in Git-basierte Entwicklungsprozesse

• Parameterisierung und Wiederverwendbarkeit von Pipeline-Schritten

• Fehlerbehandlung und Retry-Strategien in Trainingsabläufen

• Deployment-Muster: Online-Inferenz, Batch-Inferenz, Streaming-Inferenz

• Modell-Serving mit TensorFlow Serving, TorchServe, BentoML und KServe

• Containerisierung von Modellen mit Docker

• Orchestrierung mit Kubernetes für skalierbare Inferenz

• Canary-, Blue-Green- und Shadow-Deployments für ML-Modelle

• A/B-Testing und Champion-Challenger-Setups

• Edge-Deployment und Inferenz auf ressourcenbeschränkten Geräten

• Monitoring von Inferenz-Latenz, Durchsatz und Fehlerraten

• Erkennung von Data Drift und Concept Drift

• Tools wie Evidently, Arize oder WhyLabs zur Modellüberwachung

• Logging von Inputs, Predictions und Ground-Truth-Daten

• Alerting und automatisierte Reaktionen bei Modellverschlechterung

• Integration in bestehende Observability-Stacks (Prometheus, Grafana, ELK)

• Feedback-Loops für kontinuierliche Verbesserung

• Aufbau von CI/CD-Pipelines speziell für ML mit GitHub Actions, GitLab CI oder Jenkins

• Automatisierte Tests für Daten, Features und Modelle

• Validierung von Modellen vor dem Rollout (Unit, Integration, Performance)

• Automatisierte Promotion-Strategien zwischen Umgebungen

• Infrastructure as Code für ML-Plattformen (Terraform, Pulumi)

• GitOps-Ansätze für ML-Deployments mit ArgoCD und Flux

• Rollback-Strategien für Modellversionen

• Trainings-Infrastruktur mit GPU- und TPU-Ressourcen

• Distributed Training mit Horovod, PyTorch Distributed und Ray

• MLOps in der Cloud: AWS SageMaker, Azure ML, Google Vertex AI

• Hybride und On-Premises-MLOps-Plattformen

• Serverless-Inferenz und kostenoptimierte Deployments

• Caching, Batching und Auto-Scaling für Inferenz

• Kostenmanagement und FinOps für ML-Workloads

• Compliance-Anforderungen (DSGVO, EU AI Act) für ML-Systeme

• Erklärbarkeit von Modellen mit SHAP, LIME und Captum

• Bias-, Fairness- und Robustheits-Analysen

• Sicherheitsaspekte: Modellklau, Adversarial Attacks, Data Poisoning

• Dokumentation mit Model Cards und Datasheets for Datasets

• Auditierbarkeit und Nachvollziehbarkeit von Entscheidungen

• Verantwortlichkeitsmodelle und Freigabeprozesse in regulierten Branchen