Dieses Kapitel gibt einen Überblick über MLOps-Grundsätze und Framework-Komponenten, die für Bereitstellung und Lebenszyklus wichtig sind.

Das moderne MLOps-Framework

ML-Workflows

Vorteile von MLOps

Phasen des Life-Cycles

App vs. Modell

Ausmusterung

Der Modell-Lebenszyklus: Rückblick

MLOps-Komponenten

Automatisierte Abfolge

Stores und Registries

DevOps oder MLOps?

MLOps kurz und bündig

Dieses Kapitel widmet sich all den Überlegungen, die wir bereits in der Entwicklungsphase anstellen müssen, damit es in der Betriebsphase reibungslos läuft.

Unser Ziel ist es zu erklären, wie man das Modell nach MLOps-Best Practices trainiert und ein Modellpaket erstellt, das eine reibungslose Bereitstellung, Reproduzierbarkeit und Monitoring nach der Bereitstellung ermöglicht.

Deployment-getriebene Entwicklung

Dein Machine-Learning-Modell testen

Der beste Zeitpunkt für den Start der Bereitstellung

Profiling, Versionierung und Feature Stores

Eigenschaften von Feature Stores

Vorteile von Profiling und Feature Store

Reproduzierbarkeit sicherstellen

Modell-Build-Pipelines in CI/CD

Verschiedene Pipelines

Eigenschaften der Model-Build-Pipeline

CI/CD-Integration

Modell-Packaging

Modellformate

Vollständiges Paket

Entwickeln für die Bereitstellung

Dieses Kapitel behandelt wichtige Fragen zum Modelbetrieb, zum Beispiel:
- Auf welche verschiedenen Arten können wir unsere Modelle bereitstellen?
- Was ist eine API und welche Kernfunktionen hat sie?
- Wie testen wir unseren Service gründlich, bevor wir ihn Endnutzer:innen zur Verfügung stellen?
- Wie aktualisieren wir Modelle in der Produktion ohne Dienstunterbrechung?

Du lernst Batch-Vorhersagen, Echtzeitvorhersagen, Validierung von Eingabe- und Ausgabedaten, Unit-Tests, Integrationstests, Canary Deployment und vieles mehr kennen.

Bereitstellungsmodi

Offline oder online?

Wenn Zeit zählt – ein bisschen

Die API aufbauen

Client-Server

API-Funktionalitäten

Bereitstellungsfortschritt und Tests

Welche Testart ist gemeint?

Data-Science-Prozess

Fortschritt durch Umgebungen

Optionen

Entwicklungsumgebung

Testumgebung

Staging-Umgebung

Tests je Umgebung

Strategien für die Modellbereitstellung

Eine passende Bereitstellungsstrategie

Deployment-Strategien

Risikoreihenfolge

Schatten des Schattens

Bereitstellen und Betreiben

Dieses letzte Kapitel widmet sich dem Überwachen und Warten von ML-Services nach der Bereitstellung sowie der Modellgovernance.

Du behandelst zentrale Konzepte wie Verifizierungslatenz, Kovariatendrift, Konzeptdrift, Human-in-the-Loop-Systeme und mehr.


ML-Services überwachen

Shift vs. Drift

Latenz

Schon jetzt?

Überwachung und Alarmierung

Das Monitoring-System

Alerting

Modellwartung

Datenzentriert vs. modellzentriert

Human-in-the-Loop

Modellgovernance

Elemente der Governance

Phasen der Governance

Risikoklassifizierung

Zum Abschluss

Überwachen und Warten

Erkunde das moderne MLOps-Framework, einschließlich Lebenszyklus und Bereitstellung von Machine-Learning-Modellen. In diesem Kurs lernst du, ML-Code so zu schreiben, dass technische Schulden minimiert werden, entdeckst die Tools zur Bereitstellung und Überwachung deiner Modelle und schaust dir die verschiedenen Arten von Umgebungen und Analysen an, denen du begegnest.

Nachdem du deine Daten gesammelt, aufbereitet und gelabelt hast, zahlreiche Experimente mit verschiedenen Modellen durchgeführt und dein Konzept mit einem Champion-Modell bestätigt hast, kommt der nächste Schritt: Bauen. Bereitstellen. Überwachen. Warten. Das ist der Lebenszyklus deines Modells, sobald es für die Produktion vorgesehen ist. Das ist der Ops-Teil von MLOps.

Dieser Kurs zeigt dir, wie du das zweite Kapitel der Reise deines Modells hin zur Wertschöpfung erfolgreich gestaltest – und damit den Maßstab für viele weitere setzt.

<h2>MLOps-Bereitstellung und Lebenszyklus</h2>

Schau dir das moderne MLOps-Framework an, einschließlich des Lebenszyklus und der Bereitstellung von Machine-Learning-Modellen. In diesem Kurs lernst du, ML-Code zu schreiben, der technische Schulden minimiert, findest heraus, welche Tools du für die Bereitstellung und Überwachung deiner Modelle brauchst, und schaust dir die verschiedenen Arten von Umgebungen und Analysen an, denen du begegnen wirst.

<h2>Erfahre mehr über den MLOps-Lebenszyklus</h2>
Nachdem du deine Daten gesammelt, vorbereitet und gekennzeichnet hast, mehrere Experimente mit verschiedenen Modellen durchgeführt und dein Konzept mit einem Champion-Modell bestätigt hast, ist es Zeit für die nächsten Schritte. Selbst entwickeln Bereitstellen. Überwachen Wartung. Das ist der Lebenszyklus deines Modells, wenn es für die Produktion vorgesehen ist. Das ist der Ops-Teil von MLOps.

In diesem Kurs lernst du, wie du das zweite Kapitel der Reise deines Modells zur Wertschöpfung meistern kannst, das den Maßstab für viele weitere Kapitel setzt. Du startest damit, den MLOps-Lebenszyklus zu erkunden und lernst dabei, wie wichtig MLOps ist und welche funktionalen Komponenten für die Modellentwicklung, -bereitstellung, -überwachung und -wartung wichtig sind.
<h2>Entwickle ML-Code für die Bereitstellung</h2>
Als Nächstes lernst du, wie du Modelle für die Bereitstellung entwickelst und wie du effektiven ML-Code schreibst, Tools nutzt und ML-Pipelines trainierst. Im Laufe des Kurses lernst du, wie du deine Modelle bereitstellst, verschiedene Bereitstellungsumgebungen kennen und wann du sie am besten einsetzt. Du wirst auch Strategien entwickeln, um bestehende Produktionsmodelle zu ersetzen, und APIs checken.
<h2>Lerne, wie du deine Modelle überwachen kannst</h2>
Wenn du den Kurs machst, lernst du die wichtigen Leistungskennzahlen kennen, die für die Überwachung und Wartung deiner ML-Modelle wichtig sind. Du lernst was über Drift-Überwachung in der Produktion sowie über Modell-Feedback, Updates und Governance.

Wenn du fertig bist, wirst du wissen, wie du den MLOps-Lebenszyklus nutzen kannst, um deine eigenen Modelle in der Produktion einzusetzen.


MLOps Concepts

In diesem Kurs erkunden Sie das moderne MLOps-Framework und den Lebenszyklus von ML-Modellen.

MLOps-Bereitstellung und Lebenszyklus

In diesem Kurs lernst du das moderne MLOps-Framework kennen und beschäftigst dich mit dem Lebenszyklus und der Bereitstellung von Machine-Learning-Modellen. 

Ingenieur für maschinelles Lernen

MLOps-Grundlagen

Client-Server

MLOps-Bereitstellung und Lebenszyklus

Interaktive Übung