MLOps mit der Hand am Arm

Der Begriff ML-Engineering ist in aller Munde und es existieren viele Plattformen, die Deployment, Betrieb und Überwachung von Modellen vereinfachen. Die Tools nutzen häufig Clouds oder Orchestratoren, mit denen Tausende Modelle trainiert werden können.

Hier stoßen Welten zusammen: Kleine Industriebetriebe und Mittelständler haben häufig nicht den Bedarf, derartig zu skalieren. Die Business Cases sind überschaubar, dafür klar definiert und gut umsetzbar. Statt mit Kanonen auf Spatzen zu schießen, zeigen wir, wie Modelle mit wenigen Bordmitteln versionier- und reproduzierbar trainiert und betrieben werden können. Alles pragmatisch und mit der Hand am Arm anhand eines realen Beispiels.

Vorkenntnisse

  • Erfahrung in der Entwicklung von ML-Modellen
  • Erfahrung mit Python und dem Ökosystem sind hilfreich

Lernziele

  • Die Konzepte aus dem SW-Engineering auf die Entwicklung von Modellen anwenden
  • Mit wenigen technischen Voraussetzungen den Grundstein für eine skalierbare Entwicklung von Modellen legen
  • Den kleinsten technologischen Nenner fürs ML-Engineering finden

Speaker

 

Denis Stalz-John
Denis Stalz-John spezialisiert sich auf die Bereiche Computer-Vision, Semantische Segmentierung, Object Detection und Deep Learning. Sein beruflicher Einstieg erfolgte beim Corporate Research der Robert Bosch GmbH im Bereich Fahrer-Assistenzsysteme und autonomes Fahren. Seit 2018 arbeitet er als Data Scientist bei der codecentric AG.

Philipp Wolters
Philipp Wolters ist IT-Consultant bei der codecentric AG. Neben dem klassischen Software-Engineering beschäftigt er sich außerdem mit Themen wie Virtual Reality, Computer Vision und Machine Learning.

enterPy-Newsletter

Sie möchten über die enterPy
auf dem Laufenden gehalten werden?

 

Anmelden