MLOps Training in Air-Gapped Umgebungen

ML-Modelle sicher bauen, deployen und betreiben ohne Internetzugang. Zu den Schwerpunkten gehören Air-Gap-Architekturen für MLOps, Supply-Chain Security für ML, Reproduzierbare Builds und Artefaktverwaltung, Offline-Daten- und Feature-Workflows, Training, Testing und Deployment in sicheren Netzen und Monitoring, Incident Response und Governance.

Die Schulung richtet sich an ML Engineers und Data Scientists mit Betriebsverantwortung, DevOps Engineers, Platform Engineers, SREs in sicheren Netzen, IT-Security, GRC und Compliance mit ML-Bezug und Architektinnen und Architekten für On-Prem-Plattformen sowie alle, die ML-Modelle ohne Internetzugang sicher deployen und betreiben wollen.

Verständnis von Machine Learning Workflows und Deployment-Prozessen. Erfahrung mit Containern oder CI/CD ist hilfreich. Sicherer Umgang mit der Linux Kommandozeile.

Zu den Schwerpunkten gehören Air-Gap-Architekturen für MLOps, Supply-Chain Security für ML, Reproduzierbare Builds und Artefaktverwaltung, Offline-Daten- und Feature-Workflows, Training, Testing und Deployment in sicheren Netzen und Monitoring, Incident Response und Governance.

Die Inhalte werden bis zu konkreten Arbeitsschritten zu Offline-Daten- und Feature-Workflows, Training, Testing und Deployment in sicheren Netzen und Monitoring, Incident Response und Governance geführt. Dadurch lässt sich das Gelernte gezielt auf eigene Aufgaben übertragen.

Zu den angestrebten Ergebnissen gehören: Dieses Seminar richtet sich an alle, die Machine Learning nicht nur entwickeln, sondern in sicheren Netzen verlässlich betreiben müssen; Du arbeitest dich Schritt für Schritt durch die typischen Engpässe in Air-Gapped Umgebungen: fehlende Online-Abhängigkeiten, eingeschränkte Update-Kanäle,; Im ersten Teil definierst du eine Air-Gap-taugliche MLOps-Architektur; Du lernst Offline-First-, Mirror- und Relay-Patterns kennen und entscheidest, welche Artefakte über welche Übergabepunkte transportiert werden dürfen; Darauf aufbauend entwickelst du ein Modell für Nachvollziehbarkeit: SBOM, Provenance, Audit-Trails und Metadaten, die nicht nur „nice to have“ sind,.

Ja. „Offline-Daten- und Feature-Workflows“ ist ein eigener Bestandteil der Schulung. Dazu gehören Datenimport, Quarantäne, Validierung, Feature Store Konzepte ohne Cloud-Abhängigkeit, Data Quality Checks und Schema-Drift und Datenschutz: Pseudonymisierung, Zugriffskontrollen.