Modul 9: Projektvorgehen und MLOps

Die meisten KI-Projekte scheitern nicht am Algorithmus, sondern an unklaren Zielen, fehlenden Daten oder daran, dass ein gutes Modell nie zuverlässig in den Betrieb kommt. In diesem Modul lernen Sie das Standard-Vorgehensmodell CRISP-DM, die Rollen im Team, den Weg vom Proof of Concept zum Rollout sowie MLOps: Versionierung, Deployment, Rollout-Strategien und die Überwachung im laufenden Betrieb – mit Data Drift und Concept Drift.

Einleitung und häufige Fragen jedes Kapitels sind frei lesbar. Den vollständigen Inhalt mit Übungen und Quiz schalten Sie einmalig für 29 € frei.

Freischalten
  1. EinführungVom Prototyp zum zuverlässigen Betrieb: KI-Projekte planen und betreiben Die meisten KI-Projekte scheitern nicht am Algorithmus, sondern an unklaren Zielen, fehlenden Daten oder daran, dass ein gutes Modell nie zuverlässig in den Betrieb kommt. In diesem Modul lernen Sie das Standard-Vorgehensmodell CRISP-DM, die Rollen im Team, den Weg vom Proof of Concept zum Rollout sowie MLOps: Versionierung,

A · Projekt

  1. Lektion 1: Warum KI-Projekte scheiternKI-Projekte scheitern meist an Ziel, Daten, Prozess, Betrieb und Akzeptanz – selten am Algorithmus.
  2. Lektion 2: CRISP-DMBusiness Understanding → Data Understanding → Data Preparation → Modeling → Evaluation → Deployment; Rücksprünge sind normal.
  3. Lektion 3: Business UnderstandingVor jedem Modell: SMART-Ziel, Erfolgskriterien (geschäftlich, technisch, betrieblich), Baseline, Fehlerkosten, Recht und Wirtschaftlichkeit.
  4. Lektion 4: Rollen im TeamFachbereich, Product Owner, Data Engineer, Data Scientist, ML Engineer, IT, Datenschutz, Betriebsrat, Nutzer – Rollen klar zuordnen, auch wenn eine Person mehrere übernimmt.
  5. Lektion 5: PoC, Pilot, RolloutPoC prüft die Machbarkeit, Pilot den Nutzen im Prozess, Rollout den Dauerbetrieb. Abbruchkriterien vorab festlegen, alles dokumentieren (Model Card).

B · Deployment

  1. Lektion 6: Vom Notebook zum ProduktMLOps bringt Modelle zuverlässig, wiederholbar und überwacht in den Betrieb: versionieren, automatisieren, testen, bereitstellen, überwachen, nachtrainieren.
  2. Lektion 7: Deployment-VariantenBatch für regelmäßige Listen, Online-API für Sofortantworten, Edge für vor Ort ohne Netz, Streaming für Datenströme. Verpackt meist als Container.
  3. Lektion 8: Rollout-StrategienShadow: vergleichen ohne Wirkung. Canary: erst wenige, dann alle. A/B: Wirkung fair messen. Immer mit Rollback-Plan.
  4. Lektion 9: VersionierungCode, Daten, Modell, Umgebung, Seeds und Konfiguration versionieren – sonst ist kein Ergebnis reproduzierbar und kein Fehler auffindbar.
  5. Lektion 10: CI/CD und Feature StoreCI testet, CD liefert aus, CT trainiert nach. Merkmale in Training und Betrieb identisch berechnen (Feature Store), sonst entsteht Training-Serving-Skew.

C · Monitoring

  1. Lektion 11: Was überwachen?Überwachen auf allen Ebenen: Technik, Daten, Modell, Geschäft, Kosten, Fairness. Eingabedaten als Frühwarnung, weil die Wahrheit oft spät kommt.
  2. Lektion 12: Data DriftData Drift = Eingabedaten verändern sich. Messbar ohne Labels, z. B. mit dem PSI: unter 0,1 stabil, über 0,25 handeln.
  3. Lektion 13: Concept Drift und NachtrainingData Drift: Eingaben ändern sich. Concept Drift: Bedeutung ändert sich. Reaktion: analysieren, nachtrainieren, prüfen, kontrolliert ausrollen.
  4. Lektion 14: Fallstudie AbsatzprognoseBei sinkender Modellgüte erst eingrenzen und Ursachen trennen, dann gezielt beheben, kontrolliert ausrollen und das Monitoring verbessern.

Abschluss

  1. ÜbungenTragen Sie Ihre Antworten in die Felder ein. Freitext bewertet die KI wie ein IHK-Prüfer. Öffnen Sie die Musterlösung erst danach.
  2. Abschlussquiz20 Fragen, jeweils eine richtige Antwort. Ab 14 richtigen Antworten sind Sie gut vorbereitet.
  3. ZusammenfassungCRISP-DM Business → Data Understanding → Preparation → Modeling → Evaluation → Deployment. Ziele SMART; geschäftliche, technische, betriebliche Kriterien. Stufen PoC → Pilot → Rollout; Abbruchkriterien vorab. Deployment Batch, Online-API, Edge, Streaming; Container. Rollout Shadow, Canary, A/B, Blue-Green; Rollback. MLOps Versionieren, automatisieren (CI/CD/CT), Registry, Feature Store. Monitoring