In dieser MLOps-Schulung lernst du, wie Machine-Learning-Modelle reproduzierbar trainiert, versioniert und im Betrieb überwacht werden, und sie richtet sich an Data Scientists, ML-Engineers und DevOps-Teams. Du arbeitest mit Experiment-Tracking, Model Registry, automatisierten Pipelines und Monitoring auf Datendrift. Vorkenntnisse in Python und ein erstes trainiertes Modell werden erwartet. Wir planen Umfang und Werkzeugauswahl bei der Anfrage passend zu deiner Plattform, ob lokal, in der Cloud oder hybrid.
Das nimmst du mit.
- Experimente, Parameter und Metriken mit einem Tracking-Werkzeug wie MLflow nachvollziehbar festhalten
- Modelle in einer Registry versionieren und Freigabestufen definieren
- Trainings- und Auslieferungsschritte als automatisierte Pipeline mit CI/CD aufbauen
- Datendrift und Modellqualität im Betrieb mit Metriken und Alarmen überwachen
- Neue Modellversionen mit Schattenbetrieb, Canary-Rollout und Rollback absichern
Dein Training im Detail
- Für wen?
- Data Scientists, ML-Engineers, DevOps- und Plattformteams, die Modelle zuverlässig in Produktion bringen wollen.
- Was bringst du mit?
- Python-Kenntnisse, Grundwissen zu Git und Container-Konzepten sowie ein Verständnis von Training und Evaluation eines einfachen Modells.
- Umfang & Planung
- Planungsvorschlag: 3 Tage live online oder vor Ort, aufgeteilt in Module. Umfang nach Vorkenntnissen.
Agenda: vom Verständnis zur Anwendung
Unser eigenständig entwickelter Agenda-Vorschlag. Schwerpunkte, Übungsumgebung und Umfang stimmen wir vor einer Buchung ab.
Lebenszyklus eines ML-Systems und Reifegrade der Automatisierung nach dem MLOps-Leitfaden von Google Cloud.
Reproduzierbarkeit mit Git, Datenversionierung (zum Beispiel DVC), festgelegten Umgebungen und Seeds.
Experiment-Tracking und Model Registry mit MLflow: Runs, Artefakte, Modellversionen und Aliase.
Pipelines und CI/CD für Training, Tests auf Daten und Modelle sowie automatisierte Auslieferung als Container.
Bereitstellung als Batch- oder Online-Dienst, Latenz, Skalierung und Rollout-Strategien wie Canary und Shadow.
Monitoring von Eingabedaten, Vorhersagen und Geschäftskennzahlen, Drift-Erkennung und Wiedertraining.
Eigener Übungsvorschlag: Du trainierst ein scikit-learn-Modell, protokollierst Läufe in MLflow, registrierst die beste Version und stellst sie hinter einer kleinen API bereit, deren Eingabedrift du simulierst.
Prüfung, Lizenzen & Nachweise
Es gibt keine einzelne herstellerneutrale MLOps-Prüfung. Cloud-Anbieter bieten eigene Zertifizierungen mit MLOps-Anteilen an, die du dort prüfen kannst. Diese Schulung bereitet nicht gezielt auf sie vor, und Teilnahme allein vergibt kein Herstellerzertifikat. Prüfungsgebühren sind nur enthalten, wenn das Angebot sie bestätigt.
Herstellerquellen & fachlicher Stand
Quellen geprüft am 2026-11-03. Die Quellen beschreiben die Technologie bzw. externe Prüfungsanforderungen. Sie belegen keine Partnerschaft mit NextNowa.
Dein Lerninhalt
Die genannten Inhalte beschreiben das gewünschte Schulungsthema. Konkreten Lehrplan, Dauer, Termine, Trainer und Preis stimmen wir vor einer Buchung ab.
Häufige Fragen
Was ist der Unterschied zwischen MLOps und DevOps?
DevOps automatisiert Bau und Betrieb von Software. MLOps erweitert das um Daten und Modelle: Auch Trainingsdaten, Experimente und Modellgüte müssen versioniert und überwacht werden, denn ein Modell kann ohne Codeänderung schlechter werden, wenn sich die Daten ändern. Deshalb kommen Drift-Monitoring und Wiedertraining hinzu.
Brauche ich Kubernetes für MLOps?
Nicht zwingend. Für kleine Anwendungen genügen oft Container auf einem einzelnen Server oder ein verwalteter Dienst. Kubernetes lohnt sich, wenn du viele Modelle skalieren und isolieren musst. In der Schulung konzentrieren wir uns auf Versionierung, Pipelines und Monitoring, die auf jeder Plattform gebraucht werden.
Woran erkenne ich Datendrift bei einem Modell?
Du vergleichst die Verteilung aktueller Eingabedaten mit den Trainingsdaten, zum Beispiel mit statistischen Tests oder Kennzahlen pro Merkmal. Zusätzlich beobachtest du Vorhersageverteilung und, sobald verfügbar, die tatsächliche Trefferquote. Weicht etwas deutlich ab, prüfst du Ursachen und stößt gegebenenfalls ein Wiedertraining an.
Erhalte ich bei MLOps: Modelle betreiben ein Zertifikat?
Es gibt keine einzelne herstellerneutrale MLOps-Prüfung. Cloud-Anbieter bieten eigene Zertifizierungen mit MLOps-Anteilen an, die du dort prüfen kannst. Diese Schulung bereitet nicht gezielt auf sie vor, und Teilnahme allein vergibt kein Herstellerzertifikat. Prüfungsgebühren sind nur enthalten, wenn das Angebot sie bestätigt.