Arcadia AI – Master-Studiengang
DE
РусскийO'zbekchaEnglishDeutschSrpskiहिन्दी
Studiengang  /  Semester 2 — Modern AI Stack
Kurs

MLOps: Data Pipelines, Feature Stores, Monitoring, A/B

Produktives ML: Datenpipelines, Reproduzierbarkeit, Deployment und Monitoring

Lehrperson wird noch bekannt gegeben

Über den Kurs

Der Kurs vermittelt eine ingenieurmäßige Kultur im Umgang mit ML-Systemen in Production. Die Studierenden lernen den vollständigen Zyklus von Rohdaten bis zum laufenden Service kennen: ETL, Feature Stores, Model Registry, CI/CD für ML, A/B-Testing und Monitoring von Data Drift. Der Kurs ist eng mit Praktikum 2 verzahnt und vermittelt das Handwerkszeug, das für das teambasierte Industrieprojekt in Semester 3 erforderlich ist.

Was Sie lernen

✓Eine reproduzierbare ML-Pipeline von Rohdaten bis zum deployten Modell aufbauen
✓Einen Feature Store mit garantierter Training/Serving Parity konfigurieren
✓CI/CD für ein ML-Projekt mit automatischer Validierung von Daten und Modellen umsetzen
✓Einen A/B-Test für eine ML-Komponente mit korrektem statistischem Design durchführen
✓Monitoring für Data Drift und automatische Alerts bei Modell-Degradation einrichten

Kernthemen

•Data Pipelines: Airflow, dbt, Batch vs. Streaming (Kafka, Flink)
•Feature Stores: Offline/Online-Trennung, Time-Travel, Backfilling
•Experiment-Tracking: MLflow, W&B; Model Registry und Versionierung
•Training/Serving Parity und Distribution Shift
•Containerisierung und Orchestrierung: Docker, Kubernetes für ML
•CI/CD für ML: Testen von Modellen, Validierung von Datenschemata, Shadow Deployment
•A/B-Testing und Canary Releases
•Monitoring von Data Drift und Qualitätsdegradation in Production
•Cost Optimization: Spot Instances, Inference Caching, Batching
Die Beschreibung wurde automatisch generiert und wurde noch nicht von der Lehrperson geprüft – dies ist ein Entwurf zur Diskussion.