Operationalisierung in analytischen Projekten meistern: Von der Explorations- zur Produktionsphase

Sobald der Proof-of-Concept einer Machine-Learning-basierten Anwendung durchgeführt wurde, stehen Unternehmen vor der Aufgabe, die Lösung profitabel in ihre Geschäftsprozesse zu integrieren.

Der Vortrag befasst sich mit dabei auftretenden Herausforderungen, sowie den wachsenden Anforderungen an Codequalität und Modellmanagement. Neben Verlässlichkeit und Wartbarkeit spielen auch Aspekte wie Automatisierung der Deploymentprozesse und Skalierung der Berechnungen eine zentrale Rolle. Anhand langlaufender Projekte aus den Bereichen Preisvorhersage von Rohstoffen und Predictive Maintenance werden Best Practices und Erfahrungen vorgestellt, wie die Operationalisierung von R- und Python-Code erfolgreich gelingt.

Vorkenntnisse

• Grundlagen Machine Learning
• Grundlagenwissen zum Thema Cloud

Lernziele

• Der Vortrag zeigt, wie die Operationalisierung von analytischen Projekten in der Praxis gelingt.
• Operationalisieren und Orchestrieren von Modellen (inklusive Skalierung).

 

Speaker

 

Markward Britsch
Markward Britsch ist Senior Data Scientist bei HMS Analytical Software in Heidelberg. Nach seiner Promotion wendete er in seiner Post-Doc-Zeit in der experimentellen Teilchenphysik unter anderem Machine-Learning-Methoden auf Daten des LHC am CERN an.

Gold-Sponsoren

HMS
Structr

Silber-Sponsoren

codecentric
Phytec

Bronze-Sponsor

incontext.technology GmbH

data2day-Newsletter

Sie möchten über die data2day
auf dem Laufenden gehalten werden?

 

Anmelden