Continuous Integration für ML-Anwendungen – ein Praxisbeispiel

Machine-Learning-Modelle veralten und müssen retrainiert werden – so der weiterverbreitete Tenor aktuell.

Nachdem wir diese These etwas genauer einordnen, wird gezeigt wie dies geschehen kann.

• Welche Komponenten braucht eine CI/CD-Pipeline für Machine Learning wirklich – und welche sind optional?
  
• Wie lässt sich das ganze umsetzen, ohne dabei ein komplettes ML-Platform-Team aufzubauen?
  
• Und welche Herausforderungen sind auch aktuell noch schwierig zu lösen?

Vorkenntnisse

Erfahrung mit Daten- und ML-Architekturen sind hilfreich, aber nicht notwendig.

Lernziele

• Ein Erfahrungsbericht inkl. (Fehl-)Entscheidungen, der helfen wird, bei den eigenen Herausforderungen den richtigen Weg einzuschlagen.
  
• Zudem gibt es einen Überblick über die wesentlichen Komponenten einer funktionierenden Machine-Learning-Plattform, die durch hohe Automatisierung und geringe Fertigungstiefe den Fokus auf die Lösung der fachlichen Herausforderungen legt.