ML-Ops mit MLflow - Modelle effizient tracken, verwalten und ausrollen

Seminarziel

Nach diesem Seminar sind Sie in der Lage, Machine-Learning-Workflows mit MLflow professionell zu managen. Sie können Experimente nachverfolgen, Modelle versionieren und in produktiven Umgebungen einsetzen. Darüber hinaus kennen Sie Best Practices für Sicherheit, Ressourcenverwaltung und den kollaborativen Einsatz in Teams.

Inhalt

• Einführung in MLOps
  • Grundidee und Motivation von MLOps
  • Abgrenzung zu DevOps
  • Herausforderungen im Machine Learning Lifecycle
• Überblick: MLflow und Alternativen
  • Komponenten und Architektur: Tracking, Projects, Models, Registry
  • MLflow im Vergleich zu anderen Open-Source- und kommerziellen Tools
• MLflow First Steps
  • Setup und erste Nutzung des MLflow Frameworks
  • Architektur und Funktionsweise des Tracking Servers
  • Einführung in die Model Registry
  • Lokales Aufsetzen von MLflow inkl. Tracking Server
  • Arbeiten mit der MLflow UI
• MLflow Tracking
  • Experimente und Runs strukturieren
  • Logging von Parametern, Metriken und Artefakten
  • Arbeiten mit Artifacts, Metadata und Metrics
  • Vergleich von Runs im MLflow UI
  • Mehrere Modellvarianten trainieren und analysieren
• MLflow Model Registry
  • Modelle registrieren und versionieren
  • Von Experiment über Staging bis Production
  • Promotion, Archivierung und Governance von Modellen
• Best Practices & Security
  • MLflow in produktiven Umgebungen: Best Practices
  • Security-Aspekte: Zugriffskontrolle, Authentifizierung, Datenmanagement
  • Ressourcenverwaltung und Aufräumen von Artefakten