Entwicklung einer in-house AI-Plattform
Maschinelles Lernen wird in immer mehr Unternehmen ein integraler Bestandteil der Wertschöpfung und erfordert eine geeignete Systemlandschaft. Fällt die Entscheidung gegen die Nutzung eines kommerziellen Serivceanbieters und für eine Eigenentwicklung stellen sich zahlreiche Fragen:
• Mit welchen Tools organisiere ich Modelle mit Blick auf Deployment und Versionierung?
• Wie erreiche ich effiziente Entwicklungsprozesse bei gesicherter Modellqualität?
• Wie monitore und skaliere ich aktive Modelle?
• Sind Cloud- oder Container-basierte Workflows die Lösung?
Aus eigenen Erfahrungen beantwortet Nico Kreiling diese Fragen und stellt mögliche Architekturen sowie wichtige Open-Source-Komponenten vor.
Vorkenntnisse
• Ein generelles Verständnis von Machine Learning und dessen technischen Herausforderungen.
Lernziele
• Verständnis unterschiedlicher Architekturen, abhängig von der unternehmensweiten IT-Infrastruktur.
• Übersicht über gängige ML-Versionierung und Deployment Tools.
• Profitieren von praktischen Erfahrungen anderer.