
Please note:
On this site, there is only displayed the English speaking sessions of the TDWI München digital. You can find all conference sessions, including the German speaking ones, here.
The times given in the conference program of TDWI München digital correspond to Central European Time (CET).
By clicking on "EVENT MERKEN" within the lecture descriptions you can arrange your own schedule. You can view your schedule at any time using the icon in the upper right corner.
Thema: MLOps
- Montag
20.06.
Machine Learning-Projekte scheitern aus vielfältigsten Gründen: unzureichende Daten, fehlende Zusammenhänge oder überbordende Systemintegrationen.
Doch die Data Science-Zunft schlägt zurück: Unter dem Slogan MLOps, Machine Learning Operations, versammelt sie Lösungsansätze, um Machine Learning zu produktionalisieren. Dieser Workshop erklärt den Bedarf an MLOps aus der unsicheren Natur von Machine Learning-Projekten, skizziert Blaupausen für End-To-End ML Pipelines und illustriert Best Practices anhand einer Open-Source-Implementierung.
Zielpublikum: ML-Engineers, Head of Analytics, Data Scientists
Voraussetzungen: Erfahrungen in Machine Learning, Python und DevOps
Schwierigkeitsgrad: Fortgeschritten
Extended Abstract:
Warum MLOps? Mit dieser Auftaktfrage widmet sich der Workshop der inhärenten Herausforderungen von Machine Learning-Projekten. Diese umfassen insbesondere den Spagat zwischen Experiment und Software-Engineering, der dynamischen Natur des Prädiktionskontexts (Data - und Concept Drift) oder Vertrauensanforderungen der beteiligten Stakeholder. Die Referenten lassen in diese Diskussion sowohl konzeptionelle Überlegungen als auch praktische Projekterfahrungen einfließen.
Als Antwort auf diese Herausforderungen wird ein Katalog von Anforderungen abgeleitet, die ML-Systeme erfüllen sollten, um eine erfolgreiche Produktionalisierung zu gewährleisten. Dieser Anforderungskatalog umfasst unter anderem Model Registries, Feature Stores, Monitoring, Encapsulation von Systemkomponenten oder Separierung und Provisionierung von Train- und Test-Umgebungen.
Der entwickelte Anforderungskatalog dient im nächsten Seminarteil als Grundlage für die Beschreibung und den Vergleich von gängigen Software-Lösungen und -Architekturen. Die Präsentation umfasst hierbei zumindest ML-SageMaker, Azure-ML und Open-Source-Plattformen wie Kubeflow und Mlflow.
In dem folgenden interaktiven Teil des Seminars entwickeln die Teilnehmer gemeinsam eine Open-Source-MVP-Lösung auf Basis eines zur Verfügung gestellten Code-Repositories. Die vorgestellte Lösung dient primär der Vertiefung der Seminarinhalte und kann zudem als Ausgangspunkt für eigene MLOps-Initiativen dienen.
Im letzten Seminarteil wird aus Anforderungskatalog, Architekturskizzen und Code-Experimenten eine Umsetzungsunterstützung für MLOps destilliert, die mögliche Produktionalisierungs-Vorhaben anleiten kann.
Christoph Hoffmann ist Data Scientist (M.Sc. Statistics) mit starkem methodischen Fokus und langjähriger Erfahrung in der erfolgreichen Umsetzung von Kundenprojekten. Mit innovativen datenanalytischen Methoden betreut er Unternehmen aus verschiedenen Branchen. Dies beinhaltet die Vermittlung fortgeschrittener Methoden aus dem Bereich der neuronalen Netze und des Maschinellen Lernens.
Elias Jebabli ist seit Abschluss seines Masterstudiums der Mathematik an der TU München als Consultant in den Bereichen Big-Data-Engineering und Machine Learning aktiv. In verschiedensten Kundenprojekten sammelte er umfassende Erfahrungen in den Bereichen Datenvisualisierung, -transformation und -aufbereitung sowie bei der Modellierung und Umsetzung von Machine Learning-Projekten.
Vortrag Teilen