MLOps-Grundlagen
IntermediateSkill Level
14 Std.
What is MLOps?
2015 veröffentlichte Google das Forschungspapier „Hidden Technical Debt in Machine Learning Systems“. Darin zeigten Sculley et al., dass das Schreiben prädiktiver Machine-Learning-Modelle nur ein kleiner Teil dessen ist, was es braucht, um ML-Systeme in Produktion zu bauen, bereitzustellen und zu betreiben. Das Papier schlug hohe Wellen und wurde seither durch zahllose Fälle bestätigt, in denen Data Scientists ihre Modelle nicht in Produktion bringen konnten.
Die spannende Disziplin MLOps (Machine Learning Operations) hat sich in den letzten Jahren entwickelt, um genau diese Deployment-Herausforderungen in Daten-Teams zu lösen. MLOps, kurz für Machine Learning Operations, ist ein Set aus Tools, Praktiken, Techniken und einer Kultur, die eine verlässliche und skalierbare Bereitstellung von Machine-Learning-Systemen sicherstellen. Mit der Reife des Data-Science-Feldes gehört MLOps zu den am schnellsten wachsenden Spezialisierungen, die Data Scientists einschlagen können.
Weil MLOps noch jung ist, gibt es nur wenige fest etablierte Lernpfade. Dennoch stellt die Open-Source- und ML-Community eine Fülle verlässlicher, sofort nutzbarer, kostenloser Ressourcen bereit. Hier sind 10 Gratisressourcen, mit denen du heute deine MLOps-Lernreise starten kannst.
1. MLOps Fundamentals Skill Track
DataCamps Skill Track MLOps Fundamentals deckt den gesamten Lebenszyklus einer ML-Anwendung ab – von der Anforderungserhebung über Design, Entwicklung, Deployment, Betrieb bis zur Wartung. Der Track enthält konzeptionelle Kurse, die dir helfen, dein Data-Science-Wissen in die Welt produktiver ML-Software zu erweitern. Nach Abschluss verfügst du über eine MLOps-Denkweise und kennst Konzepte wie CI/CD und CM/CT, Experiment-Tracking, Modellregister, Feature Stores sowie verschiedene Deployment-Strategien.
2. Machine Learning Engineering von Andriy Burkov
Ursprünglich 2020 erschienen, ist dieses Buch eines der wenigen, das die Grundlagen angewandten Machine Learnings abdeckt. Statt einzelne Tools oder Konzepte in den Fokus zu stellen, zerlegt Burkov die Kunst und Wissenschaft, ein End-to-End-ML-Projekt zu bauen und in Produktion zu bringen. Er zeigt die häufigsten Hürden beim Deployment von ML-Modellen und deren Lösungen.
Du kannst das Buch kostenlos lesen – es folgt dem Prinzip „erst lesen, später kaufen“, also zahlen, wenn es dir echten Mehrwert geliefert hat.
3. ML in Production Blog
Einige der besten MLOps-Ressourcen finden sich in Newslettern und Blogs aktiver Data Scientists. Luigi Patrunos ML in Production Blog und Newsletter sind herausragende Beispiele. Er teilt regelmäßig fundierte Inhalte rund um das Deployment und den Betrieb von Modellen in Produktion. So beschreibt er seinen Kurationsansatz:
- Anwendungsorientiert – Inhalt fokussiert auf Tools, Muster, Plattformen und Systeme, die sich in Produktion bewährt haben.
- Best Practices im Blick – Data Science und ML verändern sich schnell. Es fehlt an Fachkräften für das Deployment dieser Systeme und an etablierten Standards. Der Newsletter kuratiert Best Practices für die Community.
- Wirkungsorientiert – Alle Inhalte helfen Data Scientists, ML Engineers und Datenpraktikerinnen und -praktikern, marktgerechte, wirkungsstarke Kompetenzen aufzubauen.
4. MLOps Community
MLOps lernt man am besten gemeinsam und praxisnah. Diese Community aus Praktikerinnen und Praktikern lädt zum Reinschnuppern oder Mitmachen ein – mit Blogs, Videos und lebendigen Diskussionen. Ein idealer Ort, um in diesem Feld Fuß zu fassen.
5. Full Stack Deep Learning
Dieser Kurs bietet erstklassige Inhalte dazu, komplexe, große Modelle in Produktion zu bringen. Er wird nicht nur von renommierten Fachleuten aus OpenAI und Stanford getragen, sondern enthält auch Gastvorträge von führenden Köpfen wegweisender ML-Unternehmen, etwa Tesla’s Andrej Karpathy.
Der Kurs vermittelt einen Full-Stack-Ansatz für Deep Learning, darunter:
- Problemformulierung und Aufwandsschätzung
- Daten finden, bereinigen, labeln und augmentieren
- Das passende Framework und die Compute-Infrastruktur wählen
- Training debuggen und Reproduzierbarkeit sicherstellen
- Modelle in Produktion ausrollen
6. Made With ML von Goku Mohandas
Goku Mohandas hat einen hervorragenden, offenen Kurs zum Aufbau von End-to-End-ML-Systemen geschaffen. Made with ML gehört zu den Top-Repositories auf GitHub, und mehr als 30.000 Personen belegen seinen Kurs.
Die Lektionen reichen von ML-Grundlagen bis zu Deployment, Testing und Monitoring von Produktionsmodellen. Goku vermittelt Intuition für die Konzepte, bietet praxisnahe Projektaufgaben und vermittelt Software-Engineering-Best-Practices, die du für eine MLOps-Rolle brauchst.
7. Awesome production machine learning
Dieses stark kuratierte GitHub-Repository ist ideal, wenn du direkt in Pakete, Libraries und Cutting-Edge-Tools eintauchen willst. Alle gelisteten Tools helfen dir, produktive ML-Systeme zu bauen, bereitzustellen, zu überwachen, zu versionieren, zu skalieren und abzusichern.
Ob Datenlabeling, Trainings-Orchestrierung, Erklärbarkeit, Serving, Monitoring und mehr – hier findest du garantiert einige Pakete, mit denen du in deinen Projekten experimentieren kannst. Außerdem gibt es den Newsletter The ML Engineer, der dich mit aktuellen Frameworks, Tutorials und Artikeln aus der Praxis versorgt.
8. MLOps-Tutorial von DVC
DVC (Data Version Control) ist ein Open-Source-Versionskontrollsystem für ML-Projekte. DVC erweitert Git um Daten und Modelle. Zudem hat dasselbe Team Continuous Machine Learning (CML) entwickelt – ein Tool, das CI-Systeme wie GitHub Actions & GitLab CI für Machine Learning nutzbar macht.
Diese relativ kurze YouTube-Serie beleuchtet wichtige Konzepte an der Schnittstelle von DevOps und Machine Learning. Sie findet eine gute Balance aus Theorie und Praxis und zeigt dir, wie du Datenversionierung mit DVC umsetzt.
9. Machine Learning Operations
Diese Ressource gehört wohl zu den umfassendsten. Sie enthält zahlreiche Beiträge, die die Bausteine einer erfolgreichen MLOps-Praxis aufschlüsseln. Machine Learning Operations präsentiert Leitlinien, Frameworks, Verhaltenskodizes und setzt Standards für MLOps.
Kurz, aber ein idealer Einstieg: Warum MLOps wichtig ist, die Grundprinzipien erfolgreicher Praxis, verwendete Tools und Frameworks und mehr.
10. MLOps – Machine Learning Operations von AIEngineering
AIEngineering ist vermutlich einer der besten, wenn nicht der beste YouTube-Kanal für angewandtes Machine Learning. Mit über 60.000 Abonnenten hat Srivatsan Srinivasan eine große Community rund um Datenthemen aufgebaut.
Es gibt zahlreiche tiefgehende Videos und Playlists zu MLOps und End-to-End-ML-Projekten in Produktion. Schau unbedingt rein.
11. ML Engineering for Production ML Deployments with TFX von TensorFlow
Google hat mit TensorFlow eines der am weitesten verbreiteten ML-Tools geschaffen – und mit TensorFlow Extended (TFX) noch einmal ausgebaut. TFX ist eine End-to-End-Plattform für das Deployment von ML-Modellen, bestehend aus Paketen für Datenvalidierung, -transformation, Modellanalyse und mehr. TFX hilft, ML-Systeme zu entwerfen, ohne Unmengen an Software-Engineering-Aufwand zu investieren.
Diese YouTube-Playlist von Google Developer Advocate Robert Crowe führt dich in zentrale MLOps-Konzepte und Best Practices bei Google ein. Auch die TFX-Dokumentation ist lesenswert – schon der Versuch, das Paket mithilfe der Guides einzusetzen, bringt dich fachlich deutlich voran.
Mehr über MLOps lernen
Auch wenn MLOps noch am Anfang steht, lohnt es sich, dir früh einen Vorsprung bei Best Practices und Tools aus den oben genannten Ressourcen zu verschaffen. Wenn du noch tiefer einsteigen willst, schau dir auch diese Inhalte an: