Mastering MLOps: Live Model Deployment & Inference-Kurs mit Stefan Krawczyk


KI und maschinelles Lernen ermöglichen mittlerweile die meisten Produkterlebnisse, die sogar über die der großen Technologieunternehmen hinausgehen. Heutzutage müssen Ihre Modelle korrekt funktionieren und funktionieren, um letztendlich einen Geschäftswert zu liefern. Die Kosten für die Bereitstellung eines langsamen oder schlechten Modells oder für die nicht schnelle Erkennung unerwünschten Verhaltens können sich erheblich auf das Kundenerlebnis und das Geschäftsergebnis auswirken.

Stefan Krawczky hat in den letzten mehr als 15 Jahren bei Unternehmen wie Stitch Fix, Nextdoor und LinkedIn an genau diesem Problem gearbeitet. Er hat den Modellproduktionsprozess für Hunderte der besten Datenwissenschaftler und Ingenieure für maschinelles Lernen erfolgreich optimiert. Er hat außerdem die Infrastruktur aufgebaut und verwaltet, um Zehntausende Modelle mithilfe von MLOps-Best Practices zu erstellen, bereitzustellen und zu verfolgen. 

Im Laufe von vier zweistündigen Sitzungen mit Stefan und anderen Top-ML-Profis werden Sie dies tun :

  • Lernen Sie, häufige ML-Ausfälle zu erkennen, zu vermeiden und zu verhindern
  • Sehen Sie sich Branchenfallstudien an, um gängige Ansätze zur Skalierung von Modellinferenzen kennenzulernen
  • Bewerten und extrapolieren Sie Taktiken aus der Produktionsbereitstellungsstrategie von Stitch Fix 
  • Besprechen Sie die besten Tools zur Verbesserung der Modellbeobachtbarkeit

Außerdem bieten diese Sitzungen auf Sphere den Studierenden im Gegensatz zu anderen Online-Plattformen die einzigartige Gelegenheit, direkt mit Stefan an branchenspezifischen Szenarien zu arbeiten, um ihr MLOps-Wissen zu erweitern und sich gleichzeitig mit anderen Top-Mitgliedern zu vernetzen -stufige ML-Profis. Da der Kurs außerdem vollständig akkreditiert ist, können die meisten Studenten den Kurs über das Weiterbildungs- und Entwicklungsbudget ihrer Mitarbeiter abrechnen. 

Melden Sie sich noch heute für Master Model Deployment & Inference an

Verwandte Artikel