Traditionelle Software vs. MLOps

Traditionelle Software hängt deutlich weniger von den Eingabedaten ab als Machine-Learning-Anwendungen, und ihre Ergebnisse sind typischerweise deterministisch – wir wissen also, was zu erwarten ist. Das Betreiben und Überwachen von Machine-Learning-Modellen ist daher deutlich anspruchsvoller.

Diese Übung ist Teil des Kurses

MLOps für Unternehmen

Interaktive Übung

In dieser interaktiven Übung kannst du die Theorie in die Praxis umsetzen.

Diese Übung ist Teil des Kurses

MLOps für Unternehmen

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

In diesem ersten Kapitel lernst du MLOps kennen und warum es für Unternehmen notwendig ist, die mehrere Machine-Learning-Anwendungen gleichzeitig entwerfen, entwickeln und betreiben wollen. Du erfährst, welche Hauptelemente MLOps ausmachen – etwa Skalierung und Automatisierung –, welche Vorteile es bietet und warum MLOps dennoch herausfordernd bleibt. Außerdem schaust du dir an, was es braucht, um mit MLOps zu starten – sowohl aus technologischer als auch aus Management-Perspektive.

Exercise 1: Was ist MLOps?Exercise 2: MLOps: ein Set an Praktiken, um ...Exercise 3: Welche Merkmale hat MLOps?Exercise 4: Die geschäftlichen Argumente für MLOps Exercise 5: Relevante MLOps‑Bereiche Exercise 6: Wie in MLOps investieren Exercise 7: Gründe, in MLOps zu investieren Exercise 8: Das Fundament für MLOps legen Exercise 9: MLOps-Teammitglieder Exercise 10: Voraussetzungen für MLOps Exercise 11: Elemente von MLOps

Im zweiten Kapitel lernst du den gesamten MLOps-Lebenszyklus kennen – vom Design über Entwicklung und Deployment bis zum Betrieb. Du erfährst, warum Monitoring für produktive Machine-Learning-Anwendungen essenziell ist und warum wir ML-Modelle regelmäßig neu trainieren müssen.

Exercise 1: MLOps von Ende zu Ende erklärt Exercise 2: Zehn wichtige Schritte im MLOps-Lebenszyklus Exercise 3: Die Hauptphasen einer MLOps‑Anwendung Exercise 4: Wichtige Aufgaben in den zentralen MLOps-Phasen Exercise 5: Die Designphase Exercise 6: Aufgaben der Designphase verschieben Exercise 7: Bauplan für den Erfolg: Dein MLOps-Projekt designen Exercise 8: Die Entwicklungsphase Exercise 9: Entwicklungsaufgaben Exercise 10: Rollen in der Entwicklungsphase Exercise 11: Überwachung, erneutes Training und Austausch von MLOps-Anwendungen Exercise 12: Merkmale des MLOps-Lebenszyklus Exercise 13: Individuelle Verantwortlichkeiten bei der Entwicklung eines MLOps-Use-Cases Exercise 14: Der MLOps-Lebenszyklus

Im dritten Kapitel gehst du von der Theorie in die Praxis über und lernst die wichtigsten Herausforderungen und Risiken beim Deployment von Machine-Learning-Modellen kennen. Außerdem erfährst du, wie MLOps-Teams erfolgreich arbeiten und was das Management tun kann, um die skalierte Nutzung von Machine Learning zu fördern.

Exercise 1: Geschäftliche Herausforderungen und Risiken rund um MLOps Exercise 2: Was macht MLOps so herausfordernd?Exercise 3: Traditionelle Software vs. MLOps

Aktuelle Übung

Exercise 4: Potenzielle MLOps-Business-Risiken Exercise 5: So arbeiten MLOps-Teams erfolgreich Exercise 6: Teams im DevOps-Stil Exercise 7: Herausforderungen bei der Einführung von MLOps Exercise 8: Der Status von MLOps heute Exercise 9: Eine falsche Aussage über MLOps Exercise 10: Warum MLOps herausfordernd ist

Im letzten Kapitel erfährst du, wie du die MLOps-Reise deines Unternehmens erfolgreich startest – mit Best Practices und typischen Fallstricken, die du vermeiden solltest. Zum Abschluss beleuchtest du die verschiedenen Stufen der MLOps-Reife und schließt den Kurs mit einer Fallstudie aus der Praxis ab: dem Design, der Entwicklung und dem Betrieb einer Machine-Learning-Anwendung für kritische Produktionsprozesse.

Exercise 1: Wie Unternehmen vollständig MLOps‑ready werden Exercise 2: Gültige MLOps-KPIs Exercise 3: Reifegrad der Bereitstellung ordnen Exercise 4: MLOps-Reifegrad Exercise 5: MLOps: Best Practices und Fallstricke Exercise 6: Was müssen wir testen?Exercise 7: (Keine) Best Practice Exercise 8: MLOps-Fallstudie: Gewinne mit MLOps steigern Exercise 9: Wichtigste Punkte der Fallstudie Exercise 10: Zusammenfassung