AWS - MLOps Engineering on AWS

Der Kurs "AWS - MLOps Engineering on AWS (MLOE)" baut auf der in der Softwareentwicklung vorherrschenden DevOps-Praxis auf und erweitert sie, um Modelle für maschinelles Lernen (ML) zu erstellen, zu trainieren und bereitzustellen. Die Bedeutung von Daten, Modellen und Code für erfolgreiche ML-Bereitstellungen wird vermittelt. Im Kurs wird der Einsatz von Tools, Automatisierung, Prozessen und Teamwork demonstriert, um die Herausforderungen zu bewältigen, die mit Übergaben zwischen Dateningenieuren, Datenwissenschaftlern, Softwareentwicklern und dem Betrieb verbunden sind. Die Verwendung von Werkzeugen und Prozessen zur Überwachung und Ergreifung von Maßnahmen wird diskutiert, wenn die Modellvorhersage in der Produktion von vereinbarten Leistungskennzahlen abweicht.

Optional erstellen Sie einen MLOps-Aktionsplan für ihre Organisation durch tägliche Reflexion der Unterrichts- und Laborinhalte sowie durch Gespräche mit Kollegen und Dozenten.

Hinweis:
Kurssprache ist Deutsch, die Unterlagen sind in englischer Sprache (teilweise in digitaler Form).
Dieses Seminar führen wir in Kooperation mit der Fast Lane GmbH durch.

Inhalt:

• Einführung in MLOps
• - Operationen des maschinellen Lernens
• - Ziele von MLOps
• - Kommunikation
• - Von DevOps zu MLOps
• - ML-Arbeitsablauf
• - Umfang
• - MLOps-Sicht auf den ML-Workflow
• - MLOps-Fälle
• MLOps-Entwicklung
• - Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
• - MLOps-Sicherheit
• - Automatisieren
• - Apache Airflow
• - Kubernetes-Integration für MLOps
• - Amazon SageMaker für MLOps
• - Bringen Sie Ihren eigenen Algorithmus in eine MLOps-Pipeline ein
• - Amazon SageMaker
• - Einführung in das Erstellen, Trainieren und Bewerten von Modellen für maschinelles Lernen
• - Code und Bereitstellung Ihres ML-Modells mit AWS CodeBuild
• - Das Arbeitsbuch zum MLOps-Aktionsplan
• MLOps-Bereitstellung
• - Einführung in die Bereitstellungsvorgänge
• - Modell-Paketierung
• - Inferenz
• - Einsetzen des Modells in der Produktion
• - SageMaker Produktionsvarianten
• - Strategien für den Einsatz
• - Einsatz an der Grenze
• - Durchführen von A/B-Tests
• - MLOps-Aktionsplan Arbeitsbuch
• Modellüberwachung und Betrieb
• - Fehlersuche in Ihrer Pipeline
• - Die Bedeutung der Überwachung
• - Überwachung durch Design
• - Überwachen Sie Ihr ML-Modell
• - Human-in-the-loop
• - Amazon SageMaker Modell-Monitor
• - Amazon SageMaker Pipelines, Model Monitor, Model Registry und Feature Store
• - Lösen des Problems/der Probleme
• - Das MLOps Action Plan Workbook
• Nachbereitung
• - Nachbearbeitung der MLOps-Aktionsplan-Arbeitsmappe