+49 (911) 80 10 30

Rufen Sie uns an oder lassen Sie sich zurückrufen!

Einfach Nachricht mit Ihrem Rückruf-Termin hinterlassen.

Ihr Name *

Ihre Telefonnummer *

Rückruf-Datum *

Rückruf-Uhrzeit *

Ihre Anfrage *

Um Ihre Anfrage bearbeiten zu können, ist es notwendig, die von Ihnen angegebenen Daten zu verarbeiten. Das bedeutet, dass Sie mit dem Absenden des Kontaktformulars in die Verarbeitung Ihrer Daten einwilligen (siehe Datenschutzrichtlinie). Sie können der Verarbeitung Ihrer Daten jederzeit widersprechen.

* Alle Felder, die mit einem Sternchen versehen sind, sind Pflichtfelder.
Nachricht senden

Ihr Name *

Ihre E-Mail Adresse *

Ihre Telefonnummer

Ihre Anfrage *

Um Ihre Anfrage bearbeiten zu können, ist es notwendig, die von Ihnen angegebenen Daten zu verarbeiten. Das bedeutet, dass Sie mit dem Absenden des Kontaktformulars in die Verarbeitung Ihrer Daten einwilligen (siehe Datenschutzrichtlinie). Sie können der Verarbeitung Ihrer Daten jederzeit widersprechen.*

* Alle Felder, die mit einem Sternchen versehen sind, sind Pflichtfelder.
Social Media

Seite teilen

AW234: MLOps Engineering on AWS™

Training: AWS™ - Cloud - Künstliche Intelligenz - Zertifizierungen

Fachkräfte im Bereich Kundenservice und Datenanalyse lernen Techniken der Sentimentanalyse mit Sprachmodellen kennen. Vermittelt werden Embeddings, Zero Shot Classification und Clustering sowie deren Umsetzung mit Large Language Models wie OpenAI oder Aleph Alpha. Behandelt wird, wie Kundenfeedback und Social-Media-Inhalte zuverlässig analysiert und für gezielte Maßnahmen genutzt werden können.

Terminauswahl

Termine in deutscher Sprache (0)


Aktuell sind leider keine vorgelegten Termine verfügbar! Sie möchten einen Termin anfragen ? Dann klicken Sie auf "Kein passender Termin?"

Mögliche Kurssprachen: Deutsch

Wunschzeitraum für Termin anfragen:

Ihr Name *

Ihre E-Mail Adresse *

Ihre Telefonnummer

Wunschzeitraum von *

Wunschzeitraum bis *

Anzahl an Teilnehmer *

Ihre Nachricht

* Alle Felder, die mit einem Sternchen versehen sind, sind Pflichtfelder.

Aktuell sind leider keine vorgelegten Termine verfügbar!
Sie möchten einen Termin anfragen ? Dann klicken Sie auf "Kein passender Termin?"

Wunschzeitraum für Termin anfragen:

Ihr Name *

Ihre E-Mail Adresse *

Ihre Telefonnummer

Wunschzeitraum von *

Wunschzeitraum bis *

Anzahl an Teilnehmer *

Ihre Nachricht

* Alle Felder, die mit einem Sternchen versehen sind, sind Pflichtfelder.

Agenda:

Einführung in MLOps
- Prozesse
- Personen
- Technologie
- Sicherheit und Governance
- MLOps-Reifegradmodell

Initial MLOps: Experimentierumgebungen in SageMaker Studio
- MLOps in das Experimentieren bringen
- Einrichten der ML-Experimentierumgebung
- Demonstration: Erstellen und Aktualisieren einer Lifecycle-Konfiguration für SageMaker Studio
- Praktische Übung: Bereitstellen einer SageMaker-Studio-Umgebung mit dem AWS™ Service Catalog
- Workbook: Initial MLOps

Repeatable MLOps: Repositories
- Datenmanagement für MLOps
- Versionskontrolle von ML-Modellen
- Code-Repositories im ML-Kontext

Repeatable MLOps: Orchestrierung
- ML-Pipelines
- Demonstration: Einsatz von SageMaker Pipelines zur Orchestrierung von Modellaufbau-Pipelines
- End-to-End-Orchestrierung mit AWS™ Step Functions
- Praktische Übung: Automatisieren eines Workflows mit Step Functions
- End-to-End-Orchestrierung mit SageMaker Projects
- Demonstration: Standardisierung einer End-to-End-ML-Pipeline mit SageMaker Projects
- Verwendung von Drittanbieter-Tools für Wiederholbarkeit
- Demonstration: Human-in-the-Loop beim Inferenzprozess
- Governance und Sicherheit
- Demonstration: Sicherheits-Best-Practices für SageMaker
- Workbook: Repeatable MLOps

Reliable MLOps: Skalierung und Testing
- Skalierung und Multi-Account-Strategien
- Testing und Traffic Shifting
- Demonstration: Einsatz von SageMaker Inference Recommender
- Praktische Übung: Testen von Modellvarianten
- Praktische Übung: Traffic Shifting
- Workbook: Multi-Account-Strategien

Reliable MLOps: Monitoring
- Bedeutung des Monitorings im ML
- Praktische Übung: Überwachen eines Modells auf Datenabweichungen
- Betriebliche Überlegungen zum Modellmonitoring
- Behebung von Problemen, die beim Monitoring von ML-Lösungen erkannt werden
- Workbook: Reliable MLOps
- Praktische Übung: Erstellen und Troubleshooten einer ML-Pipeline

Ziele:

In diesem Kurs AW234 MLOps Engineering on AWS™ lernen Sie:

Die Vorteile von MLOps zu erläutern
DevOps und MLOps zu vergleichen und gegenüberzustellen
Sicherheits- und Governance-Anforderungen für einen ML-Anwendungsfall zu bewerten und mögliche Lösungen sowie Gegenmaßnahmen zu
beschreiben
Experimentierumgebungen für MLOps mit Amazon SageMaker einzurichten
Best Practices für Versionierung und Integritätssicherung von ML-Modellartefakten (Daten, Modell und Code) zu erklären
Drei Optionen zur Erstellung einer vollständigen CI/CD-Pipeline im ML-Kontext zu beschreiben
Best Practices zur Implementierung von automatisiertem Packaging, Testing und Deployment (Daten/Modell/Code) zu benennen
Zu demonstrieren, wie ML-basierte Lösungen überwacht werden
Zu demonstrieren, wie eine ML-Lösung automatisiert wird, die ein Modell testet, verpackt und bereitstellt, Leistungsabfälle erkennt und das Modell mit neuen Daten neu trainiert

Zielgruppe:

Dieser Kurs AW234 MLOps Engineering on AWS™ richtet sich an:

MLOps Engineers, die ML-Modelle in der AWS™ Cloud produktiv setzen und überwachen möchten
DevOps Engineers, die für die erfolgreiche Bereitstellung und Wartung von ML-Modellen in der Produktion verantwortlich sind

Voraussetzungen:

Um an dem Kurs AW234 MLOps Engineering on AWS™ bei qSkills™ teilnehmen zu können, müssen Sie die folgenden AWS™-Trainings besucht haben:

AW110 AWS™ Technical Essentials
AW230 Developing on AWS™
AW233 Practical Data Science with Amazon SageMaker

Eine Teilnahme an den folgenden AWS™-Trainings ist im Vorfeld empfehlenswert:

The Elements of Data Science
Machine Learning Terminology and Process

Beschreibung:

Dieser Kurs AW234 MLOps Engineering on AWS™ baut auf der im Software Development verbreiteten DevOps-Methodik auf und erweitert sie, um Machine Learning (ML)-Modelle zu erstellen, zu trainieren und bereitzustellen. Der Kurs AW234 MLOps Engineering on AWS™ basiert auf dem vierstufigen MLOps-Reifegradmodell. Der Fokus liegt auf den ersten drei Stufen: Initial, Repeatable und Reliable. Der Kurs betont die Bedeutung von Daten, Modellen und Code für erfolgreiche ML-Bereitstellungen. Es wird gezeigt, wie Tools, Automatisierung, Prozesse und Teamarbeit eingesetzt werden, um Herausforderungen bei der Übergabe zwischen Data Engineers, Data Scientists, Softwareentwicklern und Betrieb zu bewältigen. Außerdem wird der Einsatz von Tools und Prozessen zur Überwachung und Reaktion bei Abweichungen der Modellvorhersagen von den vereinbarten Key Performance Indicators in der Produktion behandelt.

Dieser Kurs AW234 MLOps Engineering on AWS™ umfasst Präsentationen, praktische Übungen (Labs), Demonstrationen, Wissensüberprüfungen und Workbook-Aufgaben.