KKC_0170 | Vertex AI: ML-Pipelines, die wirklich laufen

Sie möchten Machine Learning nicht als einmaliges Notebook-Experiment, sondern als belastbaren Prozess auf Google Cloud umsetzen. In diesem Seminar lernen Sie Google Vertex AI als durchgängige Plattform kennen und bauen Schritt für Schritt einen End-to-End-Workflow auf. Sie starten mit dem Setup: Projektstruktur, IAM, Service Accounts, APIs, Regionen, Quotas und typische Kostenhebel, damit Ihr Vorhaben von Anfang an sauber aufgesetzt ist.

Danach geht es in die Datenbasis mit BigQuery und Cloud Storage, inklusive Data Validation, dem Vermeiden von Data Leakage und einem Überblick, wie Feature Store Konzepte in Vertex AI einzuordnen sind. Im Trainingsteil setzen Sie sowohl AutoML Tabular als schnellen Einstieg ein als auch Custom Training Jobs, wenn Sie mehr Kontrolle über Abhängigkeiten, Container-Images und Reproduzierbarkeit brauchen. Sie lernen, Experimente nachvollziehbar zu tracken, Metriken und Artefakte zu vergleichen und Modelle in der Model Registry zu versionieren.

Anschließend bringen Sie Ordnung in den Ablauf: mit Vertex AI Pipelines strukturieren Sie Komponenten, Parameter, Artefakt-Übergaben und Caching, sodass aus einem Prototyp ein wiederholbarer Prozess wird. Zum Abschluss deployen Sie Modelle über Endpoints, nutzen Traffic Splits für risikoarme Updates, planen Rollbacks und setzen Batch Prediction Jobs sinnvoll ein. Sie richten Monitoring gegen Drift ein, definieren Alerting und leiten daraus Retraining-Trigger und Betriebsprozesse ab.

So können Sie Vertex AI in Ihr Umfeld produktionsnah einsetzen.

• Google Vertex AI als Plattform für End-to-End-ML-Workflows verstehen
• Projektstruktur, IAM, Service Accounts, APIs, Regionen und Kostenhebel planen
• BigQuery, Cloud Storage, Data Validation und Feature-Store-Konzepte einordnen
• AutoML Tabular und Custom Training Jobs passend einsetzen
• Experimente, Metriken, Artefakte und Model Registry nachvollziehbar nutzen
• Vertex AI Pipelines mit Komponenten, Parametern, Artefakten und Caching strukturieren
• Endpoints, Traffic Splits, Rollbacks, Batch Predictions, Drift Monitoring und Retraining planen

Das Seminar richtet sich an Data Scientists, ML-Engineer/innen, Cloud-Teams, DevOps, Architekt/innen und technische Projektleitungen.

Vorausgesetzt werden Grundlagen in Machine Learning oder Cloud Computing. Google-Cloud- und Python-Kenntnisse sind hilfreich.

• Vertex AI Setup und Arbeitsweise
  • Projekt, IAM, Service Accounts, APIs
  • Vertex AI Workbench, Notebooks, Repos
  • Regionen, Kostenhebel, Quotas
• Datenbasis: Ingestion, Features, Governance
  • BigQuery und Cloud Storage als Datenquellen
  • Data Validation und Data Leakage vermeiden
  • Feature Store Grundlagen und Alternativen
• Training: AutoML und Custom Training
  • AutoML Tabular als schneller Start
  • Custom Training Jobs mit Container-Images
  • Hyperparameter Tuning und Reproduzierbarkeit
• Experiment Tracking und Modellverwaltung
  • Experiments, Runs, Metriken und Artefakte
  • Model Registry, Versionierung, Lineage
  • Bewertung: Baselines, Thresholds, Error Analysis
• Pipelines: wiederholbar statt „Notebook-Magie“
  • Pipeline-Komponenten, Parameter, Caching
  • Orchestrierung und Übergaben von Artefakten
  • CI/CD-Idee: vom Commit zur Pipeline-Ausführung
• Deployment und Online/Batch Prediction
  • Endpoints, Traffic Splits, Rollback
  • Batch Prediction Jobs und Kostenkontrolle
  • Security: private Endpoints und Zugriffskonzepte
• Monitoring, Drift und Betrieb
  • Model Monitoring: Daten- und Vorhersage-Drift
  • Alerting, SLOs und sinnvolle Dashboards
  • Retraining-Trigger und Betriebsprozesse