#179 MLOps: Machine Learning in die Produktion bringen mit Michelle Golchert und Sebastian Warnholz

Machine Learning Operations (MLOps) mit Data Science Deep Dive.


Machine Learning bzw. die Ergebnisse aus Vorhersagen (sogenannten
Prediction-Models) sind aus der modernen IT oder gar aus unserem
Leben nicht mehr wegzudenken. Solche Modelle kommen
wahrscheinlich öfter zum Einsatz, als dir eigentlich bewusst ist.
Die Programmierung, Erstellung und das Trainieren dieser Modelle
ist die eine Sache. Das Deployment und der Betrieb ist die andere
Thematik. Letzteres nennt man Machine Learning Operations, oder
kurz “MLOps”. Dies ist das Thema dieser Episode.


Wir klären was eigentlich MLOps ist und wie es sich zum
klassischen DevOps unterscheidet, wie man das eigene Machine
Learning-Modell in Produktion bringt und welche Stages dafür
durchlaufen werden müssen, was der Unterschied von Model-Training
und Model-Serving ist, welche Aufgabe eine Model-Registry hat,
wie man Machine Learning Modelle in Produktion eigentlich
monitored und debugged, was Model-Drift bzw. die Drift-Detection
ist, ob der Feedback-Cycle durch Methoden wie Continuous Delivery
auch kurz gehalten werden kann, aber auch welche Skills als MLOps
Engineer wichtig sind.


Um all diese Fragen zu beantworten, stehen uns Michelle Golchert
und Sebastian Warnholz vom Data Science Deep Dive Podcast rede
und Antwort.





Unsere aktuellen Werbepartner findest du auf
https://engineeringkiosk.dev/partners





Das schnelle Feedback zur Episode:


(top)  (geht
so)



Feedback

EngKiosk Community:
https://engineeringkiosk.dev/join-discord 

Buy us a coffee: https://engineeringkiosk.dev/kaffee

Email: stehtisch@engineeringkiosk.dev

LinkedIn: https://www.linkedin.com/company/engineering-kiosk/

Mastodon: https://podcasts.social/@engkiosk

Bluesky:
https://bsky.app/profile/engineeringkiosk.bsky.social

Twitter: https://twitter.com/EngKiosk




Links

In Numbers We Trust (INWT): https://www.inwt-statistics.de/

Data Science Deep Dive Podcast: https://inwt.podbean.com/

Programmiersprache “R”: https://www.r-project.org/

Gradient boosting:
https://en.wikipedia.org/wiki/Gradient_boosting

MLFlow: https://mlflow.org/

Jupyter Notebooks: https://jupyter.org/

Databricks: https://www.databricks.com/

AutoML: https://www.automl.org/automl/




Sprungmarken

(00:00:00) Machine Learning Operations (MLOps) mit Michelle
und von Data Science Deep Dive


(00:06:29) Info/Werbung


(00:07:29) Machine Learning Operations (MLOps) mit Michelle
und von Data Science Deep Dive


(00:17:21) Deployment eines ML Modells in Produktion: Model
Training


(00:30:09) Automatisierte Pipelines und der operationelle Betrieb


(00:39:22) Reproduzierbarkeit und Debugging


(00:45:27) Model Serving / Modellbereitstellung


(00:52:28) Monitoring und Model Drift


(01:05:39) Welche Skills benötige ich als MLOps Engineer?


(01:13:21) Abschluss



Hosts

Wolfgang Gassler (https://mastodon.social/@woolf)

Andy Grunwald (https://andygrunwald.com/)




Feedback

EngKiosk Community:
https://engineeringkiosk.dev/join-discord 

Buy us a coffee: https://engineeringkiosk.dev/kaffee

Email: stehtisch@engineeringkiosk.dev

LinkedIn: https://www.linkedin.com/company/engineering-kiosk/

Mastodon: https://podcasts.social/@engkiosk

Bluesky:
https://bsky.app/profile/engineeringkiosk.bsky.social

Twitter: https://twitter.com/EngKiosk