MLOps auf AWS für ML-Engineering-Teams

Du lernst, MLOps auf AWS in typischen Arbeitssituationen strukturiert einzusetzen, zentrale Methoden sicher einzuordnen und belastbare Ergebnisse für Deine Projekte und Teams vorzubereiten.

Kursdetails ansehen

3 Tage

23 Standorte

Online & Präsenz

Nächster Termin: 11. – 13.01.2027 · 143 weitere verfügbar

ab 2.140,00 € zzgl. 19 % MwSt.

Weitere Termine & Buchungsoptionen

Mehr als 5.000 Unternehmen vertrauen uns

Das lernst Du

Du ordnest einen zentralen Themenbereich fachlich ein: Einführung in Machine Learning Operations.
Du setzt die vermittelten Methoden in praxisnahen Aufgaben um; im Fokus steht Ziele und Mehrwert von MLOps.
Du entwickelst nachvollziehbare Workflows; ein Schwerpunkt ist Unterschiede und Gemeinsamkeiten von DevOps und MLOps.
Du analysierst typische Anforderungen und vertiefst dabei Überblick über typische ML-Workflows und deren Automatisierung.
Du bewertest Nutzen, Qualität und Risiken am Beispiel Praxisbeispiele erfolgreicher MLOps-Implementierungen.
Du überträgst die Erkenntnisse auf eigene Projekte; ein Schwerpunkt ist Erstellung, Training und Evaluierung von ML-Modellen.

Überblick

Machine-Learning-Modelle zuverlässig in den produktiven Betrieb zu überführen, gelingt selten ohne strukturierte Prozesse für Entwicklung, Deployment und Monitoring. Diese Schulung gibt Dir eine Einführung in Machine Learning Operations und zeigt Dir Ziele und Mehrwert von MLOps für den nachhaltigen Betrieb von ML-Systemen. Du lernst Unterschiede und Gemeinsamkeiten von DevOps und MLOps kennen und erfährst, welche zusätzlichen Herausforderungen der Umgang mit Daten und Modellen im Vergleich zu klassischer Softwareentwicklung mit sich bringt. Anhand praxisnaher Übungen und konkreter Anwendungsfälle entwickelst Du eigene MLOps-Workflows auf AWS und erkennst typische Fehlerquellen beim Übergang von Entwicklung zu produktivem Betrieb. Die Schulung richtet sich an alle, die einen fundierten Einstieg in MLOps auf AWS suchen. Nach dem dreitägigen Training kannst Du eigene MLOps-Prozesse strukturiert aufbauen und die Ergebnisse sicher in bestehende Betriebsabläufe übertragen.

Kursinhalte

MLOps auf AWS fachlich einordnen

Einführung in Machine Learning Operations
Ziele und Mehrwert von MLOps
Unterschiede und Gemeinsamkeiten von DevOps und MLOps

Grundlagen und zentrale Methoden

Überblick über typische ML-Workflows und deren Automatisierung
Praxisbeispiele erfolgreicher MLOps-Implementierungen
Erstellung, Training und Evaluierung von ML-Modellen

Werkzeuge und Arbeitsumgebung

Sicherheitsaspekte im MLOps-Lebenszyklus
Automatisierung mit Apache Airflow und Kubernetes
Einsatz von Amazon SageMaker für MLOps-Pipelines

Anwendungsfälle strukturiert bearbeiten

Integration individueller Algorithmen
Demo: Modellcode erstellen und mit AWS CodeBuild bereitstellen
Modellpaketierung und Inferenzstrategien

Workflows aufbauen und steuern

Produktionsvarianten, A/B-Tests und Edge-Deployments
Monitoring von ML-Modellen by design
Nutzung von SageMaker Model Monitor, Pipelines, Model Registry und Feature Store

Ergebnisse prüfen und verbessern

Umgang mit Abweichungen von KPIs
Troubleshooting und kontinuierliche Optimierung von MLOps-Workflows
Zentrale Begriffe und Einsatzfelder von MLOps auf AWS

Sicherheit, Qualität und Grenzen

Anforderungen aus typischen beruflichen Aufgaben einordnen
Geeignete Vorgehensweisen für konkrete Anwendungsfälle auswählen
Ergebnisse fachlich prüfen und nachvollziehbar dokumentieren

Zusammenarbeit und Übergabe

Risiken, Grenzen und Qualitätskriterien berücksichtigen
Transfer auf eigene Projekte und Teamprozesse vorbereiten
Ausgangslage und Zielsetzung eines Anwendungsfalls klären

Praxisübungen und Transfer

Arbeitsschritte sinnvoll priorisieren und aufeinander abstimmen
Zwischenergebnisse anhand fachlicher Kriterien kontrollieren
Varianten vergleichen und begründete Entscheidungen treffen

Vertiefende Verfahren

Schnittstellen zu bestehenden Prozessen berücksichtigen
Aufgaben und Verantwortlichkeiten im Team abstimmen
Ergebnisse verständlich aufbereiten und weitergeben

Zielgruppe & Voraussetzungen

Für wen der Kurs geeignet ist

Cloud-, Infrastruktur- und Plattformteams
Administrierende, Architektinnen, Architekten und technische Projektleitende
Data-, KI- und DevOps-Fachkräfte mit Cloud-Bezug
Für alle, die Cloud-Lösungen fundiert planen, umsetzen oder betreiben möchten

Deine Vorteile

Garantierte TermineMarkierte Termine finden statt und bieten 10 % Preisvorteil.
Kleine GruppenMaximal 8 Teilnehmende für intensiven Austausch und nachhaltigen Lernerfolg.
Praxiserfahrene Trainer:innenBerufsrelevante Fachexpertise aus langjähriger Praxiserfahrung.
Keine HybridschulungenBewusst live online oder in Präsenz – für eine klare, fokussierte Lernumgebung.

FAQ

Was lerne ich in der Schulung „MLOps auf AWS für ML-Engineering-Teams“?

Du lernst, MLOps auf AWS in typischen Arbeitssituationen strukturiert einzusetzen, zentrale Methoden sicher einzuordnen und belastbare Ergebnisse für Deine Projekte und Teams vorzubereiten. Zu den Schwerpunkten gehören MLOps auf AWS fachlich einordnen, Grundlagen und zentrale Methoden, Werkzeuge und Arbeitsumgebung, Anwendungsfälle strukturiert bearbeiten, Workflows aufbauen und steuern und Ergebnisse prüfen und verbessern.

Für wen ist die Schulung geeignet?

Die Schulung richtet sich an Cloud-, Infrastruktur- und Plattformteams, Administrierende, Architektinnen, Architekten und technische Projektleitende, Data-, KI- und DevOps-Fachkräfte mit Cloud-Bezug und Für alle, die Cloud-Lösungen fundiert planen, umsetzen oder betreiben möchten.

Welche Vorkenntnisse brauche ich für die Schulung?

Du solltest folgende Voraussetzungen mitbringen: Kenntnisse aus AWS Technical Essentials; Besuch von DevOps Engineering on AWS; Erfahrung aus Practical Data Science with Amazon SageMaker.

Welche Themen und Schwerpunkte werden behandelt?

Zu den Schwerpunkten gehören MLOps auf AWS fachlich einordnen, Grundlagen und zentrale Methoden, Werkzeuge und Arbeitsumgebung, Anwendungsfälle strukturiert bearbeiten, Workflows aufbauen und steuern, Ergebnisse prüfen und verbessern, Sicherheit, Qualität und Grenzen und Zusammenarbeit und Übergabe.

Wie praxisnah ist die Schulung?

Die Schulung greift praxisnah insbesondere die Bereiche Zusammenarbeit und Übergabe, Praxisübungen und Transfer und Vertiefende Verfahren auf. Dadurch lässt sich das Gelernte gezielt auf eigene Aufgaben und Projekte übertragen.

Was kann ich nach dem Seminar in der Praxis umsetzen?

Zu den angestrebten Ergebnissen gehören: Du ordnest einen zentralen Themenbereich fachlich ein: Einführung in Machine Learning Operations; Du setzt die vermittelten Methoden in praxisnahen Aufgaben um; im Fokus steht Ziele und Mehrwert von MLOps; Du entwickelst nachvollziehbare Workflows; ein Schwerpunkt ist Unterschiede und Gemeinsamkeiten von DevOps und MLOps; Du analysierst typische Anforderungen und vertiefst dabei Überblick über typische ML-Workflows und deren Automatisierung; Du bewertest Nutzen, Qualität und Risiken am Beispiel Praxisbeispiele erfolgreicher MLOps-Implementierungen.

Wird im Seminar auch das Thema „Ergebnisse prüfen und verbessern“ behandelt?

Ja. „Ergebnisse prüfen und verbessern“ ist ein eigener Bestandteil der Schulung. Dazu gehören Umgang mit Abweichungen von KPIs, Troubleshooting und kontinuierliche Optimierung von MLOps-Workflows und Zentrale Begriffe und Einsatzfelder von MLOps auf AWS.

MLOps auf AWS für ML-Engineering-Teams

Kursdetails

MLOps auf AWS fachlich einordnen

Grundlagen und zentrale Methoden

Werkzeuge und Arbeitsumgebung

Anwendungsfälle strukturiert bearbeiten

Workflows aufbauen und steuern

Ergebnisse prüfen und verbessern

Sicherheit, Qualität und Grenzen

Zusammenarbeit und Übergabe

Praxisübungen und Transfer

Vertiefende Verfahren

Für wen der Kurs geeignet ist

Kurs buchen oder anfragen

Access

Active Directory

After Effects

Angular

Azure Security

Blender

C#

C++

Canva

Cinema 4D

Clean Code

CorelDRAW

DaVinci Resolve

Design Thinking

Docker

Figma

Generatives Design

GitHub

Go

Google Ads

Illustrator

InDesign

Java

JavaScript

jQuery

KI im Finance & Controlling

KI im HR & Recruiting

KI im Projektmanagement

KI im Vertrieb

KI-Sicherheit

Kubernetes

LinkedIn

Microsoft Teams

MongoDB

MySQL

Node.js

OneNote

Oracle

Outlook

Photoshop