Inhalt
Wie automatisiere ich das Deployment einer Machine Learning Anwendung? Wie organisiere ich den Development Lifecycle, um die Robustheit der Anwendung sicherzustellen? Das Seminar zeigt Ihnen, wie Sie Softwareentwicklungs-Werkzeuge wie u.a. Versionierung, Pipelines, Development- und Produktionsumgbung, APIs und Container in der Praxis nutzen können, um produktive Anwendungen zu schaffen.
Datenbasierte Anwendungen sind heute nicht mehr aus unserem Alltag wegzudenken. Egal, ob beim gemütlichen Netflix-Abend, bei einer Google-Suche oder bei einer Amazon-Bestellung – die von den Anwendungen vorgeschlagenen Ergebnisse beruhen auf Daten, die von selbstlernenden Algorithmen verarbeitet und mir der Zeit immer besser werden.
Doch wie schaffen es die Großen, ihre Machine-Learning-Algorithmen produktiv so gut einzusetzen, wo andere scheitern? Die Herausforderung liegt in der Kombination zweier Bereiche, die viel zu oft getrennt behandelt werden – den datenbasierten Algorithmen und der klassischen Software-Entwicklung. Die Erkenntnis, wie wichtig die Kombination der beiden Bereiche ist, hat zu dem Aufkommen des Feldes Machine Learning Operations (MLOps) geführt.
Das Seminar startet mit der Vorstellung eines trainierten neuronalen Netzes, das für die Produktion zum Einsatz kommen soll. Anschließend wird gezeigt, wie man mit einem Issue Board und sinnvollem Git Branching die Teamarbeit während des Development-Prozesses übersichtlich und transparent gestaltet wird. Ebenso werden Versionierungsprinzipien und die wichtigsten Git-Befehle vorgestellt, die während des Kurses benötigt werden. Nach einem kurzen Exkurs über die Wichtigkeit von verschiedenen Umgebungen, legen wir eine Entwicklungs- und Produktivumgebung an, auf denen wir die verschiedenen Entwicklungsschritte verdeutlichen werden. Das Ziel ist am Ende eigene Continuous Integration/Continuous Deployment (CI/CD)-Pipelines anzulegen und somit den gesamten Development Lifecycle durchgespielt zu haben.
Neben dem Code werden wir auch die Gewichte trainierter Modelle speichern und versionieren. Es werden Best Practices für die Integration von Machine-Learning-Modellen vorgestellt. Im Zuge dessen behandeln wird Microservices, APIs und Containerisierung als wichtige Konzepte.
Der Fokus des Seminars ist sehr stark auf die praktische Umsetzung des Gelernten ausgerichtet. Schrittweise wird theoretisches Wissen mit Praxisbeispielen verdeutlicht und praxisnah direkt umgesetzt. Dabei wird im Vorfeld genügend Zeit für die Beantwortung von aufkommenden Fragen reserviert.
Das Seminar verfolgt das Ziel, Sie möglichst gut auf die Umsetzung von produktiven Softwarelösungen vorzubereiten. Im Zuge unseres Customised Learning-Ansatzes erhalten Sie die Möglichkeit, bereits vor Seminarbeginn dem Dozenten Ihre individuelle Fragestellung zu schicken, die anschließend im Kurs diskutiert wird.