+49 (0) 30 5201 4923
info@orb-experts.com
Ein fortgeschrittener, praxisnaher Kurs für Teams mit fundierter DevOps-, ML- und Data-Science-Erfahrung. Teilnehmende schärfen Ziele, Methoden und Werkzeuge moderner MLOps, gestalten einen durchgängigen Lifecycle und übertragen Best Practices auf ihre Umgebung.
Sie verknüpfen Geschäftsziele mit einem MLOps-Betriebsmodell, standardisieren den Lebenszyklus von Daten bis Deployment und richten Versionierung, Automatisierung und Monitoring so ein, dass Modelle in Produktion zuverlässig bleiben. Sie bewerten Referenzarchitekturen und leiten umsetzbare nächste Schritte ab.
Nach diesem Training können Sie sicher:
• Ziele, Nutzen und typische Herausforderungen von MLOps erläutern
• Konzepte, Methoden und Tools passend zu Ihrem Stack auswählen
• Einen End-to-End-Lifecycle über Daten, Training, Packaging, Deployment und Monitoring betreiben
• Best Practices mit Model Registry, CI oder CD, Feature Management und Observability anwenden
• Solide DevOps-Praxis sowie Erfahrung in ML oder Data Science
• Vertrautheit mit Containern, Git und einer CI-Plattform
• Zugriff auf einen nicht sensiblen Beispiel-Service oder eine Pipeline ist hilfreich
*Wir passen den Kursaufbau und die Inhalte an Ihre spezifischen Anforderungen und relevanten Anwendungsfälle an.
Modul 1: Einführung in MLOps Ziele, Nutzen und Herausforderungen
• Abgrenzung zu klassischem DevOps und warum MLOps jetzt
• Erfolgskriterien über Accuracy, Latenz, Kosten und Risiko
• Häufige Pain Points Data Drift, Brüche an Team-Übergaben, fragile Notebooks
• Rollen und Verantwortlichkeiten zwischen Data, Model, Platform und Product
Modul 2: Konzepte, Methoden und Werkzeuge
• Reproduzierbarkeit und Lineage Datensätze, Code, Parameter, Umgebungen
• Versionierung und Registries Daten, Modelle, Artefakte
• CI oder CD für ML Tests, Gates und Promotionsrichtlinien
• Tool-Landschaft Feature Stores, Experiment Tracking, Orchestrierung, Serving
Modul 3: Blueprint des MLOps-Lebenszyklus
• Von Problemframing bis Deployment und Feedback
• Data Contracts, Validierung und Schema-Evolution
• Trainingspipeline Konfiguration als Code, Abhängigkeitstrennung
• Packaging und Serving Batch, Echtzeit und Streaming
Modul 4: Reliability, Security und Governance by Design
• Observability für ML-Systeme Telemetrie für Daten, Modelle, Infrastruktur
• Model Risk Management Freigaben, Audits, Rollback-Pläne
• Sicherheit und Datenschutz Secrets, PII-Schutz, Isolation
• Kostensteuerung Right-Sizing, Autoscaling, Workload-Platzierung
Modul 5: Produktions-Deployments
• Online Inference Canary, Blue-Green, Shadow Traffic
• Batch- und Streaming-Inference Scheduler, Backfills, Latenz-Budget
• Multi-Model-Routing, A oder B-Tests, Champion oder Challenger
• Edge- und Hybrid-Überlegungen
Modul 6: Monitoring, Drift und Incident Response
• Data- und Concept-Drift, Qualitätschecks und Performance-Regressionen
• Feedback-Schleifen Labels, verzögerte Ground Truth, Human-in-the-Loop
• Runbooks und Playbooks für Störungen und Degradationen
• Lernen nach Incidents und kontinuierliche Verbesserung
Modul 7: Feature- und Experiment-Management
• Feature Stores Online-Offline-Parität und Freshness-SLAs
• Konsistenz zwischen Trainings- und Serving-Features, Embedding-Wiederverwendung
• Experiment Tracking Metriken, Artefakte, Vergleich in der Breite
• Promotionskriterien vom Experiment in die Produktion
Modul 8: Best-Practice-Beispiele und Operating Model
• Referenzarchitekturen in unterschiedlichen Stacks bewerten
• Build vs. Buy und Integrationspunkte im Ökosystem
• Team-Workflows Templates, Checklisten, Governance-Touchpoints
• Roadmap von einem Pilot zu mehreren Teams
Praxisnahes Lernen mit erfahrenen Trainern an Ihrem Standort für Organisationen.
Neue Fähigkeiten erlernen, angeleitet von erfahrenen Trainern von überall.
