Mit MLOps vom POC zur Produktion
Ein Machine-Learning-Modell zu trainieren wird immer einfacher.
Die eigentliche Herausforderung besteht aber darin, ein Machine-Learning-System in die Produktion zu heben und auch dort zu betreiben.
Denn beim Übergang vom ersten PoC in die Produktion gibt es einige Fragestellungen zu beachten:
- Warum brauchen wir überhaupt Pipelines für ML und Data Science?
- Warum sollte ich mein Jupyter-Notebook nicht in Produktion pushen?
- Was unterscheidet Data Science von "traditionellem" Software-Engineering?
- Was sind häufige Missverständnisse über ML in der Produktion?
- Wie kann ein Architekturentwurf für ML-Pipelines aussehen?
In diesem einführenden Vortrag spreche ich darüber, wie wir die Erkenntnisse aus dem "traditionellen" Software-Engineering im ML-Bereich anwenden können.
Wir werden die Bausteine von MLOps-Pipelines kennenlernen und einen Überblick über die Besonderheiten und Herausforderungen von MLOps erhalten.