The first chapter will introduce MLOps and why it is necessary for businesses that want to design, develop, and operate multiple machine learning applications simultaneously. You will learn about the main elements of MLOps, such as scaling and automation, its benefits, and why MLOps remain challenging. You will also explore what it takes to start the MLOps journey both from a technological and managerial perspective. 

Was ist MLOps?

MLOps: ein Set an Praktiken, um ...

Optionen

Richtig (trifft auf MLOps zu)

Falsch (trifft auf MLOps nicht zu)

Welche Merkmale hat MLOps?

Die geschäftlichen Argumente für MLOps

Relevante MLOps‑Bereiche

Wie in MLOps investieren

Ein Grund, in MLOps zu investieren

Kein Grund, in MLOps zu investieren

Gründe, in MLOps zu investieren

Das Fundament für MLOps legen

MLOps-Teammitglieder

Eine Voraussetzung für MLOps

Keine Voraussetzung für MLOps

Voraussetzungen für MLOps

Elemente erfolgreicher MLOps-Teams

Optionale Elemente von MLOps-Teams

Elemente von MLOps

Introducing MLOps

In the second chapter, you’ll learn about the entire MLOps life cycle from design to development, deployment, and operations. You’ll explore why monitoring is essential for productive machine learning applications and why we must regularly re-train machine learning models. 

MLOps explained end-to-end

Ten important MLOps life cycle steps

The main stages of an MLOps application

Important tasks in the main MLOps stages

The design phase

Postponing design phase tasks

Blueprint for Success: Designing Your MLOps Project

The development phase

Development tasks

Roles in the development phase

Monitoring, re-training and replacing MLOps applications

Characteristics of the MLOps life cycle

Individual responsibilities in developing an MLOps use case

The MLOps life cycle

The MLOps Life Cycle

In the third chapter, you will move from theory to practice and discover the main challenges and risks of deploying machine learning models. You’ll also learn how MLOps teams successfully operate and what management can do to foster successful scaling machine learning.  

Business challenges and risks related to MLOps

What makes MLOps challenging?

Traditional software vs. MLOps

Potential MLOps business risks

How MLOps teams successfully operate

DevOps-style teams

Challenges to implement MLOps

The state of MLOps today

A false statement about MLOps

Reasons that MLOps is challenging

MLOps: From Theory to Practice

The final chapter will demonstrate how to successfully jumpstart your business's MLOps journey by discussing best practices and pitfalls to avoid. Finally, you’ll examine the different levels of MLOps maturity and conclude the course with a real-life case study about designing, developing, and operating a machine learning application for critical production processes.


How businesses can become fully MLOps ready

Valid MLOps KPIs

Order deployment maturity

MLOps maturity

MLOps best practices and pitfalls

What do we need to test?

(Not) A best practice

MLOps case study: Increasing profits with MLOps

Key points of the case study

Wrap-up

MLOps in the wild


Lerne die zentralen Konzepte und Praktiken von MLOps kennen – ein aufstrebender Werkzeug- und Methodensatz, mit dem sich Machine-Learning-Anwendungen automatisieren und skalieren lassen.

Die Entwicklung von Machine-Learning-Modellen war früher ein langwieriger, manueller Prozess, und die meisten Modelle schafften es nie in den produktiven Einsatz. Mit MLOps können Unternehmen Entwurf, Entwicklung und Betrieb von Machine-Learning-Modellen wirksam skalieren und automatisieren.

In diesem Kurs erfährst du, was MLOps ist und wie du es nutzen kannst, um dein Unternehmen zu einer voll ausgereiften Machine-Learning-Organisation zu machen. Du lernst die Anforderungen an MLOps kennen, die eingesetzten Tools, Techniken und Rollen – und wie du typische Fallstricke vermeidest.

Am Ende des Kurses verstehst du, wie man Machine-Learning-Anwendungen im großen Maßstab entwirft, entwickelt und betreibt – und wie du den Einfluss von Machine Learning in deinem Unternehmen gezielt nutzen kannst.

<h2>Entdecke MLOps für Unternehmen</h2>
Lerne die wichtigsten Konzepte und Praktiken von MLOps kennen, einer neuen Reihe von Tools und Techniken zur Automatisierung und Skalierung von Machine-Learning-Anwendungen.

Früher war die Entwicklung von Modellen für maschinelles Lernen echt mühsam und manuelle Arbeit, und die meisten Modelle haben es nie bis zur Produktion geschafft. Mit MLOps können Unternehmen das Design, die Entwicklung und den Betrieb von Machine-Learning-Modellen effektiv skalieren und automatisieren.
<h2>Lerne, wie du Machine Learning Operations in deinem Unternehmen einsetzen kannst</h2>
In diesem Kurs lernst du, was MLOps ist und wie du es nutzen kannst, um ein richtig ausgereiftes Machine-Learning-Unternehmen zu werden. Du lernst die Anforderungen für MLOps kennen, die Tools, Techniken und beteiligten Personen sowie wie du häufige Fallstricke vermeiden kannst.

Zuerst lernst du die wichtigsten Elemente von MLOps kennen und warum es für Unternehmen, die mehrere Machine-Learning-Anwendungen entwerfen, entwickeln und betreiben wollen, so wichtig ist.
<h2>Entdecke den MLOps-Lebenszyklus</h2>
Als Nächstes schaust du dir den ganzen MLOps-Lebenszyklus an, vom Design über die Entwicklung bis hin zur Bereitstellung und zum Betrieb. In Kapitel 3 lernst du die wichtigsten Herausforderungen und Risiken beim Einsatz von Machine-Learning-Modellen in der Praxis kennen.

Zum Schluss schaust du dir die besten Vorgehensweisen und Fallstudien für die erfolgreiche Umsetzung von MLOps in der Praxis an.

Am Ende des Kurses wirst du genau wissen, wie man Machine-Learning-Anwendungen in großem Maßstab entwirft, entwickelt und betreibt, und kannst die Vorteile von Machine Learning für dein Unternehmen nutzen.


Machine Learning for Business

Erfahren Sie mehr über MLOps, Tools und Praktiken zur Automatisierung und Skalierung von ML-Anwendungen.

MLOps für Unternehmen

Du lernst die Grundlagen von MLOps kennen, einschließlich Tools und Methoden zur Automatisierung und Skalierung von ML-Anwendungen.

Hunderte von Machine-Learning-Modellen parallel betreiben können.

Silo-Denken zwischen allen relevanten Teams im neuen KI‑Vorhaben abbauen.

Glaubwürdigkeits- und Sicherheitsrisiken produktiver Machine-Learning-Anwendungen mindern.

Modelle mit hoher Prognosegüte entwickeln.

Dieses Jahr müssen wir ohnehin Geld ausgeben, und es ist eine einmalige Investition!

Gründe, in MLOps zu investieren

Interaktive praktische Übung