Machine-Learning mit der Hand am Arm – Professionelles ML-Engineering ohne Technologiezoo
Der Begriff ML-Engineering ist in aller Munde und es existieren viele Plattformen, die Deployment, Betrieb und Überwachung von Modellen vereinfachen.Die Tools nutzen häufig Clouds oder Orchestratoren, mit denen Tausende Modelle trainiert werden können. Hier stoßen Welten zusammen: Kleine Industriebetriebe und Mittelständler haben häufig nicht den Bedarf, derartig zu skalieren. Die Business-Cases sind überschaubar, dafür klar definiert und gut umsetzbar.
Statt mit Kanonen auf Spatzen zu schießen, zeigen wir, wie Modelle mit wenigen Bordmitteln versionier- und reproduzierbar trainiert und betrieben werden können. Alles pragmatisch und mit der Hand am Arm anhand eines realen Beispiels.
Vorkenntnisse
* Erfahrung in der Entwicklung von ML-Modellen
* Erfahrung mit Python und dem Ökosystem
Lernziele
* Die Konzepte aus dem SW-Engineering auf die Entwicklung von Modellen anwenden
* Mit wenigen technischen Voraussetzungen den Grundstein für eine skalierbare Entwicklung von Modellen legen
* Den kleinsten technologischen Nenner fürs ML-Engineering finden
Speaker
Mark Keinhörster ist im Big-Data-Zoo zu Hause und bringt Erfahrungen mit Hadoop, TensorFlow und Apache Spark mit. Außerdem beschäftigt er sich mit Docker, Cloud-Technologien und Machine-Learning.
Denis Stalz-John spezialisiert sich auf die Bereiche Computer Vision, Semantische Segmentierung, Object Detection und Deep Learning. Sein beruflicher Einstieg erfolgte beim Corporate Research der Robert Bosch GmbH im Bereich Fahrer-Assistenzsysteme und autonomes Fahren. Seit 2018 arbeitet er als Data-Scientist bei der codecentric AG.