MLOps im Finanzsektor: ML-Modelle effizient produktiv setzen und managen

Modul 01: Was ist MLOps – und warum ist es entscheidend im Finanzkontext? - Abgrenzung zu DevOps: Was macht MLOps besonders? - Herausforderungen im Finanzsektor: Reproduzierbarkeit, Auditierbarkeit, Sicherheit - Ziel: Verstehen, warum Modelle nicht nur trainiert, sondern betrieben werden müssen - Fallstricke aus der Praxis: Wenn Modelle nicht produktiv gehen Modul 02: Der ML Lifecycle im Überblick - Von Daten zu Entscheidungen: Überblick über die MLOps-Prozesskette - Rollen und Schnittstellen im MLOps-Team (Data Science, IT, Compliance) - Ziel: Phasen und Zuständigkeiten strukturieren - Begriffe: Modell-Registry, CI/CD, Feature Store Modul 03: Deployment-Strategien für ML-Modelle - Optionen: Batch vs. Echtzeit, lokal vs. Cloud - Pipeline-Tools: MLflow, Kubeflow, Airflow – wer braucht was? - Ziel: Passende Deployment-Ansätze auswählen - Monitoring: Health Checks und Metriken Modul 04: Modellüberwachung und Wartung - Performance-Drift, Daten-Drift, Concept Drift – erkennen und reagieren - Logging, Alerting, Re-Training - Ziel: Modelle im Live-Betrieb absichern und pflegen - Werkzeuge zur Modellüberwachung Modul 05: Sicherheit, Regulatorik & Compliance - DSGVO, AI Act, IT-Sicherheitsrichtlinien im Finanzumfeld - Dokumentation & Reproduzierbarkeit von Entscheidungen - Ziel: Auditfähigkeit und Governance sicherstellen - Umgang mit sensiblen Daten und erklärbaren Modellen Modul 06: Best Practices und Implementierungsstrategien - Fallbeispiele erfolgreicher MLOps-Projekte im Finanzwesen - Checkliste: Was brauche ich für den Start? - Ziel: Einführungsschritte für eigene Projekte definieren - Lessons Learned: Was man vermeiden sollte

Hinweis zum Ablauf

Trainer: Diplom-Informatiker (Univ.) mit Schwerpunkt KI, langjähriger Branchen- und Projekterfahrung

Zielgruppe

Diese Schulung richtet sich an Data Scientists, ML-Engineers, IT-Architekt:innen, Projektleiter:innen sowie Fachverantwortliche aus Banken, Versicherungen und Finanz-IT, die Machine-Learning-Modelle stabil, sicher und effizient in operative Systeme integrieren möchten.

Hinweise zur Prüfung und Zertifikat/Abschluss

Teilnahmezertifikat und digitales Badge

Teilnahmevorraussetzungen

Grundkenntnisse in Machine Learning und Erfahrung mit typischen Tools (z. B. Python, scikit-learn) sowie ein Grundverständnis für Softwareentwicklung, Versionierung und Deployment-Prozesse. Erfahrung in der Arbeit mit ML-Projekten ist hilfreich, aber nicht zwingend.

Preishinweis

Durchführungskosten abhängig von der Anzahl der Teilnehmer