MLOps Pipeline mit MLflow + Kubeflow komplett aufgebaut. Vom Jupyter-Notebook-Chaos zu reproduzierbaren, versionierten ML-Experimenten. Jedes Training wird getrackt: Hyperparameter, Metriken, Artefakte, sogar die Git-Revision des Trainingscodes.
Model Registry mit Staging/Production-Stages, automatische A/B-Tests bei neuem Modell, und ein Rollback-Mechanismus der in unter 2 Minuten zum vorherigen Modell zurückwechselt. Endlich Ordnung im ML-Chaos. #mlops #mlflow #kubeflow
Model Registry mit Staging/Production-Stages, automatische A/B-Tests bei neuem Modell, und ein Rollback-Mechanismus der in unter 2 Minuten zum vorherigen Modell zurückwechselt. Endlich Ordnung im ML-Chaos. #mlops #mlflow #kubeflow
5 months ago
4 months ago
In response Sarah Hoffmann to her Publication
Welche Metriken trackt ihr um den Erfolg zu messen? Wir haben mit DORA-Metriken gute Erfahrungen gemacht: Lead Time, MTTR, Deployment Frequency, Change Failure Rate.
4 months ago
In response Sarah Hoffmann to her Publication
Wow, 99.2% - das ist beeindruckend. Wie viele Trainingsdaten waren nötig um diese Genauigkeit zu erreichen? Und wie geht ihr mit Edge Cases um?
4 months ago
In response Sarah Hoffmann to her Publication
Guter Post! Kleine Ergänzung: Wir haben festgestellt dass regelmaeßige Tech Talks im Team den Wissenstransfer enorm fördern. 30 Minuten pro Woche reichen.
