Möchten Sie mit Ihrem Team teilnehmen? Ab drei Personen profitieren Sie von unseren Gruppenrabatten! Direkt im Shop buchen!

Betrieb einer Kubeflow-basierten Plattform für Enterprise-Data-Science-Teams

Der produktive Betrieb von Plattformen für große Data-Science-Teams stellt für viele Unternehmen und Organisationen eine signifikante Herausforderung dar. Data Scientists arbeiten selbst mit immer wechselnden und heterogenen Aufgaben, Daten und Modellen – daher wird auch von der Plattform eine Dynamik erwartet, die mit diesen Anforderungen skaliert.

In diesem Vortrag berichten wir über die Herausforderungen im Produktionsbetrieb einer MLOPs-Platfform die aus Open-Source-Komponenten wie Kubeflow, JupyterLab und KServe besteht.

Wir zeigen, wie die Plattform zur Erstellung von Modellen in CI/CD-Umgebungen bis hin zum Deployment auf einer heterogenen Umgebung verwendet wird. Ebenso gehen wir auf die praktischen Herausforderungen des Betriebs ein, beispielsweise die Erstellung von wiederverwendbaren ML-Pipelines sowie die effiziente Skalierung von Ressourcen.

Zuletzt beleuchten wir die Sicherheitsaspekte, die beim Einsatz von Open-Source-basierten Lösungen berücksichtigt werden sollten und gehen auf das Thema Datensouveränität mit Relevanz für den MLOps-Betrieb auf Public Clouds ein.

Vorkenntnisse

Die Teilnehmer:innen sollen idealerweise ein grundlegendes Verständnis von ML bzw. MLOps haben.

Lernziele

  • Praktische Herausforderungen aus dem Gebiet MLOps
  • Vor- und Nachteile beim Einsatz von Open-Source Komponenten
  • Sicherheit im MLOps Betrieb
  • Relevanz von Datensouveränität der Cloud-Infrastruktur

Speaker

 

Pavol Bauer
Pavol Bauer ist Senior Data Scientist und Squad Lead und beschäftigt sich seit 2021 mit Open-Source basierten MLOps Plattformen bei T-Systems. Er ist sowohl in der Produktentwicklung wie auch der Durchführung von Kundenprojekten im Bereich AI/ML tätig.

M3-Newsletter

Sie möchten über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden