MLOps mit MLflow: Effizientes Management von Machine-Learning-Prozessen

MLOps mit MLflow: Machine-Learning-Prozesse professionell steuern

In dieser Schulung lernen Sie, wie Sie mit MLflow Ihre Machine-Learning-Prozesse effizient, reproduzierbar und teamorientiert steuern. Sie erfahren, wie Sie Modelle strukturiert versionieren, Experimente transparent dokumentieren und den gesamten ML-Lifecycle professionell managen – für mehr Kontrolle und Nachvollziehbarkeit in Ihren ML-Projekten.

Inhalte und Schwerpunkte

Die praxisorientierte Schulung vermittelt fundiertes Wissen im Bereich MLOps mit Schwerpunkt auf MLflow. Sie lernen, wie Sie ML-Workflows reproduzierbar aufbauen und verwalten, Experimente nachvollziehen sowie Artefakte, Parameter und Metriken zentral dokumentieren. Ein besonderer Fokus liegt auf der Teamarbeit: Sie erfahren, wie Sie gemeinsam Modelle entwickeln, verwalten und sicher in produktive Umgebungen überführen. Anhand praxisnaher Übungen erhalten Sie einen tiefgehenden Einblick in die Rolle von MLflow im modernen MLOps-Prozess. Ergänzend werden Best Practices für eine nachhaltige, sichere und skalierbare ML-Infrastruktur vermittelt – von Authentifizierung und Zugriffskontrolle bis hin zum effizienten Ressourcenmanagement.

Schulungsinhalte

• Was ist MLOps?
• Entstehung und Motivation von MLOps
• Unterschiede und Gemeinsamkeiten: MLOps vs. DevOps
• Herausforderungen im Machine Learning Lifecycle
• MLflow Grundlagen: Was ist MLflow?
• Komponenten und Architektur (Tracking, Projects, Models, Registry)
• Open Source und kommerzielle Alternativen zu MLflow
• Einführung in das MLflow Framework
• MLflow Tracking Server: Architektur und Funktionsweise
• MLflow Model Registry: Versionierung und Modellmanagement
• Lokales Aufsetzen von MLflow und MLflow Tracking Server
• Überblick: MLflow UI
• Experimente und Runs: Struktur und Best Practices
• Logging von Parametern, Metriken und Artefakten
• Arbeiten mit Artifacts, Parameters, Metadata, Metrics
• Vergleich und Analyse von Runs im MLflow UI
• Verschiedene Modellvarianten trainieren und vergleichen
• Modelle registrieren, versionieren und verwalten
• Model Staging: Übergang von Experiment zu Staging und Production
• Modell-Promotion und -Archivierung
• MLflow Best Practices für produktive Umgebungen
• Security Best Practices (Authentifizierung, Zugriffskontrolle, Datenmanagement)
• Clean Up: Ressourcen und Artefakte verwalten und aufräumen

Zielgruppe und Vorkenntnisse

Diese Schulung richtet sich an ML-Ingenieur:innen, Data Scientists und DevOps-Spezialist:innen, die ihre Machine-Learning-Projekte effizient und zukunftssicher gestalten möchten. Vorausgesetzt werden grundlegende Kenntnisse in Machine Learning sowie Erfahrung mit gängigen ML-Frameworks wie scikit-learn, TensorFlow oder PyTorch.

Die Schulung wird als Live-Online-Webinar angeboten und richtet sich an Teilnehmende mit Vorkenntnissen auf fortgeschrittenem Niveau.

Inklusivleistungen:

Im Preis enthalten sind Ihr WissensPiloten-Zertifikat zum Download und die Nutzung eines Professionelles Webinar / Online Meeting System

Förderung:

Bildungsscheck, andere Fördermöglichkeiten auf Anfrage.