tecnovy AI Suite

MLOps: Machine-Learning-Systeme automatisiert betreiben

Auch ohne Codeänderung kann ein Machine-Learning-Modell im Betrieb an Vorhersagequalität verlieren, denn es hängt an den Daten, aus denen es gelernt hat. Verschieben sich diese Daten, braucht es ein neues Training. In MLOps baust du eine Pipeline, die Daten und Modelle versioniert, Modelle automatisch trainiert, testet und ausliefert und Drift erkennt. Danach entscheidest du mit Messwerten, wann neu trainiert wird.

Teilnahmezertifikat4,8/5 bei ProvenExpert

Was dieses Modul leistet.

Eine Pipeline vom versionierten Datensatz bis zum überwachten Modell im Betrieb: Die baust du in MLOps von tecnovy, wenn du Modelle trainierst oder die Plattform dafür betreibst. Dein Team trainiert danach reproduzierbar und gibt Modelle nachvollziehbar frei.

So läuft das Training

Methode: Eine durchgehende Beispiel-Pipeline, von Daten bis Monitoring
Grundlage: tecnovy Curriculum für den Betrieb von ML-Modellen
Abschluss: tecnovy Teilnahmezertifikat, keine Prüfung

Termine & Buchung

Passenden Termin wählen

Aktuell sind keine öffentlichen Termine ausgeschrieben.

Neue Termine werden laufend veröffentlicht. Lass dich vormerken oder plane ein Inhouse-Training für dein Team.

Inhouse-Training anfragen

Passung

Für wen das Modul gedacht ist

Typische Rollen

Du trainierst als Data Scientist Modelle und willst sie in den laufenden Betrieb bringen.
Du baust die Infrastruktur, auf der Modelle trainiert, ausgeliefert und überwacht werden.
Du verantwortest eine Datenplattform, auf der Machine-Learning-Modelle laufen.

Voraussetzungen

Keine Voraussetzungen

Du kannst direkt einsteigen. Mitbringen: Python-Kenntnisse, Grundlagen des Machine Learning, Umgang mit Git und der Kommandozeile.

Stattdessen geeignet LLMOps Für Teams, die Anwendungen auf fertigen Sprachmodellen betreiben statt eigene Modelle zu trainieren: Du versionierst Prompts und Modelle, prüfst Releases mit Evaluationen und steuerst Kosten.

Lehrplan

MLOps im Detail

Die fünf Teile folgen dem Weg eines Modells: von der Frage, wie reif ein ML-Prozess ist, über Daten, Experimente und automatisierte Pipelines bis zu Auslieferung und Überwachung im Betrieb. Alle Übungen laufen an derselben Beispiel-Pipeline.

01MLOps-Grundlagen

Dieser Teil zeigt, wo ein ML-Prozess heute steht und wer darin welche Aufgabe hat.

Reifegrade: wie weit Training, Test und Auslieferung automatisiert sind
Rollen im ML-Lebenszyklus
Typische Probleme beim Übergang in die Produktion

02Daten und Experimente

Hier wird jedes Modell auf seine Daten und seinen Trainingslauf zurückführbar.

Versionierung von Daten und Modellen
Experiment-Tracking: Parameter, Metriken und Ergebnisse je Trainingslauf festhalten
Reproduzierbarkeit von Trainingsläufen

03Pipelines und Automatisierung

Du automatisierst Training und Prüfung, sodass jede Änderung denselben Weg nimmt.

Trainings-Pipelines
CI/CD für ML: Continuous Integration und Continuous Delivery für Code, Daten und Modelle
Automatisierte Tests für Daten und Modelle

04Deployment

Dieser Teil bringt ein geprüftes Modell kontrolliert in den Betrieb.

Modell-Registry: Modelle mit Version und Status zentral ablegen
Freigabe von Modellen
Batch- und Echtzeit-Serving in Containern

05Monitoring

In diesem Teil prüfst du, ob ein Modell im Betrieb noch zu den aktuellen Daten passt.

Datendrift: Die Daten im Betrieb entfernen sich von den Trainingsdaten
Modelldrift: Die Vorhersagequalität lässt nach
Retraining auslösen und dokumentieren

Ergebnis

Was du anschließend leisten kannst

01
Du bestimmst, auf welcher Reifegradstufe ein ML-Prozess steht und welche Rolle im Lebenszyklus welche Aufgabe übernimmt.
02
Du versionierst Daten und Modelle, sodass sich jedes Modell seinen Trainingsdaten zuordnen lässt.
03
Du zeichnest Experimente mit Parametern und Metriken auf und machst Trainingsläufe reproduzierbar.
04
Du baust eine Trainings-Pipeline und bindest sie in CI/CD ein, das automatische Prüfen und Ausliefern jeder Änderung.
05
Du schreibst automatisierte Tests für Daten und für Modelle.
06
Du legst Modelle in einer Modell-Registry ab und gibst sie kontrolliert frei.
07
Du lieferst Modelle als Batch-Verarbeitung oder als Echtzeit-Dienst in Containern aus.
08
Du erkennst Daten- und Modelldrift, löst ein Retraining aus und dokumentierst es.

tecnovy Teilnahmezertifikat

Bestätigt deine Teilnahme und die im Training behandelten Lehrplaninhalte. Ausgestellt von tecnovy, teilbar auf LinkedIn.

Certificate Showroom öffnen tecnovy →

Leistungsumfang

Was enthalten ist

Enthalten

Projekt-Repository mit Beispiel-PipelineAn diesem Repository übst du jeden Schritt, von der Datenversionierung bis zum Monitoring.

Warum tecnovy

Was du bei uns oben drauf bekommst

No Slideshow, Hands-On!

Versprochen: keine PowerPoint-Schlacht. Wir arbeiten in Gruppen, verknüpfen Theorie mit Praxis, und du bekommst Praxisbeispiele unserer erfahrenen Trainer sowie den Austausch mit Gleichgesinnten.

Certificate Showroom

Hol dir dein Teilnahmezertifikat und verbinde es, falls vorhanden, mit deinem Prüfungszertifikat. Vollautomatisiert, schön gestaltet. Nur für dich, nur bei tecnovy.

Flexible Umbuchung

Falls du mal kurzfristig verhindert sein solltest, kannst du deine Schulung bis eine Woche vor Trainingsbeginn kostenlos umbuchen.

Doppelt hält besser

Gerne darfst du innerhalb eines Jahres die Schulung nochmals online als Refresher besuchen.

Lerne von Experten

Wir garantieren dir stets den Einsatz von didaktisch und methodisch erstklassig qualifizierten Trainern, die ihr Wissen sowohl aus Trainingserfahrung als auch beruflicher Praxis- und Projekterfahrung beziehen.

FAQs

Häufige Fragen

01Was unterscheidet MLOps von DevOps?

MLOps überträgt Versionierung, Tests und automatisches Ausliefern aus DevOps auf Daten und Modelle und ergänzt das regelmäßige Neutrainieren. Google Cloud beschreibt dieses Continuous Training in seinem Architecture Center als Eigenschaft, die es nur bei ML-Systemen gibt (Stand November 2026). Im tecnovy Training MLOps baust du beides in eine Pipeline ein.

02Was bedeutet Drift bei einem ML-Modell?

Datendrift heißt, dass sich die Daten im Betrieb von den Trainingsdaten entfernen; Modelldrift heißt, dass die Vorhersagequalität des Modells nachlässt. Im tecnovy Training MLOps überwachst du beides, löst bei Bedarf ein Retraining aus und dokumentierst es.

03Was bedeutet ein Reifegrad in MLOps?

Ein Reifegrad beschreibt, wie weit Training, Test und Auslieferung von Modellen automatisiert sind. Google Cloud unterscheidet zum Beispiel drei Stufen: manueller Prozess, automatisierte ML-Pipeline und automatisierte CI/CD-Pipeline (Stand November 2026). Im tecnovy Training MLOps bestimmst du, wo euer eigener Prozess steht.

04Brauche ich MLOps, wenn wir nur große Sprachmodelle nutzen?

Nur zum Teil: MLOps von tecnovy behandelt den Betrieb von Modellen, die dein Team selbst trainiert. Wenn ihr Anwendungen auf fertigen Sprachmodellen betreibt, passt das tecnovy Training LLMOps besser, mit Prompt- und Modellversionierung, Evaluation in der Pipeline und Kostensteuerung.

05Welche Werkzeuge nutzt das MLOps-Training?

Das tecnovy Training MLOps arbeitet mit verbreiteten Open-Source-Werkzeugen für Versionierung, Experiment-Tracking, Pipelines und Monitoring. Bei einem Inhouse-Training stimmt tecnovy die Übungen auf euren Werkzeug-Stack ab.

06Was brauchen die Übungen in MLOps technisch?

Die Übungen im tecnovy Training MLOps laufen in einem Projekt-Repository mit einer Beispiel-Pipeline, in dem du mit Python, Git und der Kommandozeile arbeitest. Modelle lieferst du darin in Containern aus, also in abgeschlossenen Laufzeitumgebungen, die überall gleich laufen.

07Gibt es am Ende von MLOps eine Prüfung oder eine Zertifizierung?

Nein, MLOps ist ein tecnovy Training ohne Prüfung und ohne Zertifizierung. Bei mindestens 80 % Anwesenheit erhältst du das tecnovy Teilnahmezertifikat.

Wie sieht deine Schulung bei tecnovy aus?

MLOpsMLOps: Machine-Learning-Systeme automatisiert betreiben

Noch keine Termine

Wir merken dich vor, sobald der nächste Termin geplant ist.