Wer bisher nur wenig mit der Operationalisierung von ML-Projekten zu tun gehabt hat, erhält in diesem Workshop den Überblick und eine praxisorientierte Einführung. Kernthemen sind dabei:

Versionierung und Verwaltung von Daten, Experimenten und Modellen: Wie kann ich meine Daten und Modelle effektiv verwalten, ohne den Überblick über meine Änderungen zu verlieren?
Orchestrierung der verschiedenen Teilprozesse einer ML-Pipeline: Wie kann ich effizient meine Daten aufbereiten, mein Modell trainieren und Vorhersagen treffen – und das immer wieder von vorne?
MLOps-Praktiken für Continuous Delivery: Wie bekomme ich mein Modell in Produktion, und das regelmäßig, automatisch und zuverlässig?

Monitoring produktiver ML-Anwendungen: Funktioniert mein Modell auch in der echten Welt oder muss ich es nachjustieren?
Für die Umsetzung in den Hands-on-Übungen kommen verbreitete Werkzeuge wie dvc, mlflow, dagster, FastAPI und ONNX zum Einsatz. Aber auch weitere populäre Werkzeuge wie beispielsweise Airflow, Kubeflow sowie die Angebote der großen Cloud-Anbieter werden in Bezug auf die Fragestellungen eingeordnet.