MLOps auf Azure: Modelle produktiv ausrollen

Vom Notebook zur überwachten Azure-Deployment-Pipeline mit reproduzierbaren Releases und sauberem Betrieb. Zu den Schwerpunkten gehören MLOps-Grundlagen auf Azure, Azure Machine Learning Workspace sauber aufsetzen, Training und Packaging für Deployment, CI/CD für ML mit Azure DevOps oder GitHub, Bereitstellung: Online Endpoints und Batch und Monitoring, Drift und Betrieb.

Die Schulung richtet sich an Machine-Learning Engineers und Data Scientists mit Produktivierungsauftrag, DevOps Engineers, die ML-Workloads auf Azure betreiben, Cloud Architects, die MLOps-Standards definieren und Engineering Leads, die Release- und Betriebsprozesse für ML verantworten sowie alle, die ML-Modelle auf Azure zuverlässig ausrollen und betreiben wollen.

Grundverständnis von Machine Learning (Training vs. Inferenz) und gängigen Deployment-Konzepten. Erste Erfahrung mit Git und einer CI/CD-Umgebung ist hilfreich.

Zu den Schwerpunkten gehören MLOps-Grundlagen auf Azure, Azure Machine Learning Workspace sauber aufsetzen, Training und Packaging für Deployment, CI/CD für ML mit Azure DevOps oder GitHub, Bereitstellung: Online Endpoints und Batch und Monitoring, Drift und Betrieb.

Die Inhalte werden bis zu konkreten Arbeitsschritten zu CI/CD für ML mit Azure DevOps oder GitHub, Bereitstellung: Online Endpoints und Batch und Monitoring, Drift und Betrieb geführt. Dadurch lässt sich das Gelernte gezielt auf eigene Aufgaben übertragen.

Zu den angestrebten Ergebnissen gehören: Wenn ein Modell vom Notebook in die Produktion wandert, scheitert es selten an der Mathematik, sondern an fehlender Reproduzierbarkeit,; In diesem Seminar baust Du deshalb eine MLOps-Route auf Azure auf, die vom ersten Training bis zur überwachten Bereitstellung durchgängig ist; Du klärst zunächst die wichtigsten Bausteine: Versionierung von Daten und Modellen, Asset-Management in der Model Registry, sowie die Rolle von Environments,; Anschließend setzt Du den Azure Machine Learning Workspace so auf, dass Teams damit arbeiten können: Compute-Ressourcen, Datastores, Zugriffe, Namenskonventionen und ein Setup,; Du verpackst ein Modell für die Bereitstellung,

Ja. „CI/CD für ML mit Azure DevOps oder GitHub“ ist ein eigener Bestandteil der Schulung. Dazu gehören Pipeline-Struktur: Build, Test, Register, Deploy, Secrets, Service Principals und Managed Identity und Promotion: Dev, Test, Prod mit Freigaben.