KKC_0163 | MLOps auf Azure: Modelle produktiv ausrollen

Dieses Seminar zeigt Ihnen, wie Sie Machine-Learning-Modelle auf Azure so bereitstellen, dass sie im Betrieb verlässlich, nachvollziehbar und wartbar bleiben. Sie starten mit einem klaren MLOps-Bild: Welche Artefakte müssen versioniert werden, wie hängen Daten, Code, Umgebungen und Modelle zusammen und welche Übergaben zwischen Data Science und Betrieb sind realistisch. Danach setzen Sie einen Azure Machine Learning Workspace strukturiert auf, inklusive Compute, Environments, Zugriffskonzepten und einer sauberen Ablage in Datastores sowie der Model Registry.

Im nächsten Schritt bringen Sie Training und Packaging in eine Form, die sich automatisieren lassen. Sie arbeiten mit standardisierten Trainingsjobs, definieren reproduzierbare Environments (Conda/Docker) und erstellen einen stabilen Inferenz-Contract über Scoring Script und Schnittstellen-Tests. Darauf aufbauend entwerfen Sie eine CI/CD-Pipeline mit Azure DevOps oder GitHub Actions: Build und Tests, Registrierung des Modells, Deployment in getrennte Umgebungen und kontrollierte Freigaben.

Zum Abschluss geht es um die reale Betriebsphase. Sie lernen Managed Online Endpoints und Batch Endpoints passend auszuwählen, Skalierung und Traffic zu steuern und Releases mit Blue/Green oder Canary abzusichern. Monitoring, Logging und Alerting mit Azure Monitor sowie der Umgang mit Drift und Rollback runden das Seminar ab, damit Sie Modelle nicht nur ausrollen, sondern auch betreiben.

• Ein klares MLOps-Verständnis für Azure-Umgebungen entwickeln
• Daten, Code, Umgebungen, Modelle und Artefakte versioniert verwalten
• Azure Machine Learning Workspace mit Compute, Environments und Registry strukturieren
• Trainingsjobs, Packaging und Inferenz-Contracts reproduzierbar gestalten
• CI/CD-Pipelines mit Azure DevOps oder GitHub Actions entwerfen
• Managed Online Endpoints und Batch Endpoints passend auswählen
• Monitoring, Drift, Rollback und Release-Strategien für den Betrieb einplanen

Das Seminar richtet sich an Data Scientists, ML Engineer/innen, DevOps-Teams, Cloud-Architekt/innen und technische Projektverantwortliche, die ML-Modelle auf Azure produktiv betreiben möchten.

Vorausgesetzt werden Grundlagen in Machine Learning, Cloud-Umgebungen oder Softwareentwicklung. Erfahrungen mit Azure, Python oder CI/CD sind empfehlenswert.

• MLOps-Grundlagen auf Azure
  • Lebenszyklus: Training, Registry, Deployment, Monitoring
  • Rollen, Verantwortlichkeiten, Übergaben zwischen Data Science und Betrieb
  • Reproduzierbarkeit: Daten, Code, Umgebungen, Artefakte
• Azure Machine Learning Workspace sauber aufsetzen
  • Workspaces, Compute, Environments und Zugriffskonzepte
  • Datastores, Datasets und Versionierung
  • Model Registry und Asset-Management
• Training und Packaging für Deployment
  • Standardisierte Trainingsjobs und Outputs
  • Conda/Docker Environments für konsistente Runs
  • Scoring Script, Inferenz-Contract und Tests
• CI/CD für ML mit Azure DevOps oder GitHub
  • Pipeline-Struktur: Build, Test, Register, Deploy
  • Secrets, Service Principals und Managed Identity
  • Promotion: Dev, Test, Prod mit Freigaben
• Bereitstellung: Online Endpoints und Batch
  • Managed Online Endpoints: Skalierung, Traffic, Rollback
  • Batch Endpoints für geplante Inferenz
  • Blue/Green und Canary Releases in der Praxis
• Monitoring, Drift und Betrieb
  • Logging, Metriken und Alerting mit Azure Monitor
  • Daten- und Model Drift erkennen und bewerten
  • Runbooks: Incident, Rollback, Retraining-Trigger