SAS ML Operations

Hochschule für Informatik

Lerne, Machine-Learning-Modelle zuverlässig produktiv zu betreiben und robuste ML-Pipelines für Deployment, Monitoring und den Umgang mit Daten- und Modelldrift aufzubauen.

Steckbrief

Abschluss: Short Advanced Studies (SAS)
Lernsetting: Präsenz
ECTS-Punkte: 4
Nächster Start: 29.1.2027
Dauer: 5 Unterrichtstage
Durchführungsort: Brugg-Windisch
Preis: CHF 2400.-
Dokumente: Modulbeschreibung SAS ML Operations_signed.pdf

Ziele und Nutzen

Ein erfolgreich trainiertes Machine-Learning-Modell ist erst der Anfang. Sobald Modelle produktiv eingesetzt werden, entstehen zusätzliche Anforderungen an Infrastruktur, Datenverarbeitung, Versionierung, Testing, Deployment und Monitoring. Machine Learning Operations (kurz MLOps) verbindet deshalb Machine Learning mit bewährten Methoden aus Software Engineering und DevOps.

In diesem Modul lernst du, wie produktive ML-Systeme aufgebaut und betrieben werden. Du beschäftigst dich mit den zentralen Komponenten moderner MLOps-Architekturen von Daten- und Feature-Pipelines über Model Registries bis hin zu Inferenz, Monitoring und Orchestrierung. Dabei setzt du dich sowohl mit Batch- als auch mit Streaming-Szenarien auseinander und lernst, Veränderungen in Daten und Modellverhalten frühzeitig zu erkennen.

Neben der technischen Architektur steht der gesamte Lebenszyklus eines ML-Modells im Fokus. Du lernst unterschiedliche Möglichkeiten für Integration und Deployment kennen, beschäftigst dich mit Testing und Evaluation und setzt dich mit automatisiertem Re-Training sowie CI/CD für ML-Systeme auseinander. Praktische Übungen mit MLflow sowie Cloud- und DevOps-Werkzeugen zeigen dir, wie sich diese Konzepte in realistischen Umgebungen umsetzen lassen.

Aufbau und Inhalte

Du kannst:

ML-Systeme in geeignete Komponenten und Pipelines für Feature-Berechnung, Training und Inferenz strukturieren.
ML-Experimente und Modelle nachvollziehbar versionieren, registrieren und für den produktiven Einsatz bereitstellen.
geeignete Integrations-, Deployment- und Evaluationsstrategien für unterschiedliche ML-Anwendungsfälle auswählen.
ML-Pipelines in einer Cloud-Umgebung umsetzen und Modelle produktiv bereitstellen.
CI/CD-Prinzipien auf ML-Artefakte und ML-Workflows übertragen.

Du kennst:

die zentralen Infrastrukturkomponenten eines produktiven ML-Systems und ihre Aufgaben.
unterschiedliche Ansätze für Batch- und Stream-Processing sowie deren jeweilige Einsatzgebiete.
die Aufgaben von Feature Stores, Model Registries, Monitoring- und Orchestrierungs-Systemen.
verschiedene Strategien für Testing, Deployment und Evaluation von ML-Modellen im produktiven Betrieb.
typische Auslöser und Vorgehensweisen für das Re-Training von Modellen.

Du weisst:

wie sich Daten-Drift auf produktive ML-Systeme auswirkt und auf welchen Ebenen Veränderungen überwacht werden können.
wie Offline- und Online-Evaluation zusammenspielen und warum neben ML-Metriken auch Business-Metriken relevant sind.
wie sich wiederholbare Abläufe von der Modellentwicklung bis zum Deployment automatisieren lassen.
wie Abhängigkeiten von einzelnen Cloud-Providern erkannt und reduziert werden können.

Du verstehst:

weshalb der Übergang vom ML-Prototyp zu einem zuverlässigen produktiven System zusätzliche Engineering- und Betriebsanforderungen mit sich bringt.
welche besonderen Herausforderungen beim Testen und Überwachen von ML-Systemen gegenüber klassischer Software entstehen.
die Trade-offs zwischen Aktualität, Kosten und technischem Aufwand bei Inferenz und Re-Training.
wie Software Engineering, DevOps und Machine Learning zu einem durchgängigen MLOps-Lebenszyklus zusammenspielen.

Dozierende

Die Dozierenden kommen aus dem FHNW Institut für Interaktive Technologien IIT, aus der angewandten Forschung sowie aus der Praxis. Dadurch erhältst du nicht nur theoretisch fundiertes Wissen, sondern auch eine Einordnung, welche Ansätze sich in produktiven Projekten tatsächlich bewähren.