Kursauszug / Demo-Gliederung
Was dich in diesem Lernpfad erwartet
Viele Firmen suchen nicht nur Modellbauer, sondern Menschen, die Modelle in Prozesse bringen. MLOps verbindet Software Engineering, Datenpipelines, Deployment, Monitoring und Zusammenarbeit.
Kursaufbau als Beispielgliederung
Diese Gliederung zeigt exemplarisch, wie ein sinnvoller Kurs aufgebaut sein kann. Der tatsächliche Kurs kann je nach Anbieter, Niveau und Zielgruppe erweitert werden.
- Modul 1: Von Notebook zu Pipeline
Warum ein Notebook kein Produktivsystem ist. Struktur, Wiederholbarkeit und Konfigurierbarkeit. - Modul 2: Versionierung
Code, Daten, Modelle, Experimente und Artefakte nachvollziehbar verwalten. - Modul 3: Deployment-Grundlagen
Batch, API, Container, Cloud-Dienste und einfache Serving-Konzepte. - Modul 4: Monitoring und Drift
Datenqualität, Modellleistung, Latenz, Kosten, Fehler und Alerts. - Modul 5: Zusammenarbeit
Übergabe zwischen Data Science, Engineering, Product und Betrieb dokumentieren.
Praxisbezug
Mini-Projekt für Portfolio und CV
Mini-Projekt: Ein kleines Modell als wiederholbare Pipeline mit Modellartefakt, API-Skizze und Monitoring-Konzept dokumentieren.
Wichtig ist, dass am Ende nicht nur ein Zertifikat steht. Für Bewerbungen zählt ein nachvollziehbarer Beleg: Was war das Problem, welche Daten oder Tools wurden genutzt, was ist das Ergebnis und wo liegen die Grenzen?
Passende Zielrollen
- MLOps Engineer
- ML Platform Engineer
- Data Engineer mit ML-Bezug
- AI Infrastructure Engineer