Gültige MLOps-KPIs

Man sagt: Nur was gemessen wird, wird auch gemanagt. Überleg also, wie wir die Leistung unseres MLOps-Teams messen können. Welche Aussage ist kein guter Vorschlag für mögliche MLOps-Kennzahlen (KPIs)?

Diese Übung ist Teil des Kurses

<Kurs>MLOps für Unternehmen</Kurs>

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Diese Übung ist Teil des Kurses

<Kurs>MLOps für Unternehmen</Kurs>

Geringe SchwierigkeitSchwierigkeitsgrad

4.9+

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 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

Aktuelle Übung

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