Praktikum 2: End-to-End-ML-System, von Ingestion bis Serving
End-to-End-ML-System: von Rohdaten bis zum Production-Serving
Lehrperson wird noch bekannt gegeben
Über den Kurs
Studierende bauen in kleinen Teams ein vollständiges ML-System mit einem realen Datensatz: Ingestion, Feature Engineering, Training, CI/CD, Deployment und Monitoring. Das Praktikum vertieft die Inhalte der Kurse MLOps und Reliable ML unter möglichst produktionsnahen Bedingungen. Ergebnis ist ein funktionierender Service mit dokumentiertem SLO und einem Postmortem zur ersten Iteration.
Was Sie lernen
✓Einen End-to-End-ML-Service im Team von 2–3 Personen mit klarer Verantwortungsteilung umsetzen
✓Das SLO (Latency, Availability, Accuracy) dokumentieren und einen Lasttest durchführen
✓Ein Postmortem zur ersten Production-Iteration mit Root-Cause-Analyse verfassen
Kernthemen
•Teamentwicklung im ML-Bereich: Rollen, Git-Workflow, Code Review
•Ingestion und Datenvalidierung mit Great Expectations / Pandera
•Feature-Engineering-Pipeline mit dbt oder Feast
•Training-Pipeline mit Experiment-Tracking (MLflow/W&B)
•Deployment eines REST-/gRPC-Service mit Versionierung
•Lasttests und Latency-Profiling
•Drift-Monitoring und Alerting in Production
Die Beschreibung wurde automatisch generiert und wurde noch nicht von der Lehrperson geprüft – dies ist ein Entwurf zur Diskussion.