Im Arbeitsalltag von KI- und Datenteams nimmt der zuverlässige Betrieb produktiver Modelle eine wichtige Rolle ein. MLOps und LLMOps bündeln dafür Methoden, mit denen Training, Deployment und Überwachung in wiederholbare Abläufe gegossen werden. Der Inhalt legt den Fokus auf diese Betriebssicht.

!Kursinhalt

!1. Grundideen von MLOps
*Zusammenspiel von Daten, Modell und Code
*Experimentverfolgung und Registrierung
*Automatisierte Trainings-Pipelines

!2. Besonderheiten von LLMOps
*Prompt- und Modellverwaltung
*Bewertung generativer Ausgaben
*Kosten- und Tokennutzung

!3. Deployment und Aktualisierung
*Rollout-Strategien für Modelle
*Shadow-Tests und Vergleichsläufe
*Umgang mit Modelldrift

!4. Überwachung produktiver Modelle
*Qualitätskennzahlen im Betrieb
*Anomalien und Warnmechanismen
*Fehleranalyse und Nachtraining

!Berufliche Relevanz

*Verlässlicher Betrieb von KI-Anwendungen
*Besser nachvollziehbare Änderungen
*Grundlage für skalierte KI-Produkte