Architecting MLOps: Von der AI-Strategie zur MLOps-Plattform

Die Architektur einer zentralen MLOps-Plattform spielt eine wichtige Rolle bei der effizienten und effektiven Verwaltung zahlreicher ML-Projekte mit unterschiedlichen Tech-Stacks. Es ist wichtig, die Architektur aus den Anwendungsfällen und ihren Anforderungen abzuleiten.

In diesem Vortrag werden wir die Bedeutung der Identifizierung von ML-Anwendungsfällen, des Verständnisses der Datenlandschaft und der Definition des MLOps-Stacks untersuchen, um eine Plattformarchitektur zu entwerfen. Wir lernen, wie man ein Design-Toolkit für ML-Projekte verwendet, das die ML-Canvas, die Datalandscape-Canvas und die MLOps-Canvas umfasst, um die Identifizierung von ML-Anwendungsfällen und -Prototyping zu unterstützen.

Vorkenntnisse

  • Machine Learning und MLOps-Grundlagen

Lernziele

  • Wir lernen, wie man ein Design-Toolkit für ML-Projekte verwendet, das die ML-Canvas, die Datalandscape-Canvas und die MLOps-Canvas umfasst, um die Identifizierung von ML-Anwendungsfällen und -Prototyping zu unterstützen

Speaker

 

Larysa Visengeriyeva
Larysa Visengeriyeva hat im Bereich Augmented Data Quality an der TU Berlin promoviert. Bei INNOQ, als Head of Data and AI, beschäftigt sie sich mit den Themen wie AI-Strategien und AI-Produkten, MLOps und Datenarchitekturen wie Data Mesh. Sie ist Autorin von ml-ops.org. Darüber hinaus, ist sie eine Trainerin für Data Mesh- und AI-Produkt-Trainings.

data2day-Newsletter

Ihr möchtet über die data2day
auf dem Laufenden gehalten werden?

 

Anmelden