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.
FreischaltenA · Projekt
- Lektion 1: Warum KI-Projekte scheiternKI-Projekte scheitern meist an Ziel, Daten, Prozess, Betrieb und Akzeptanz – selten am Algorithmus.
- Lektion 2: CRISP-DMBusiness Understanding → Data Understanding → Data Preparation → Modeling → Evaluation → Deployment; Rücksprünge sind normal.
- Lektion 3: Business UnderstandingVor jedem Modell: SMART-Ziel, Erfolgskriterien (geschäftlich, technisch, betrieblich), Baseline, Fehlerkosten, Recht und Wirtschaftlichkeit.
- 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.
- 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
- Lektion 6: Vom Notebook zum ProduktMLOps bringt Modelle zuverlässig, wiederholbar und überwacht in den Betrieb: versionieren, automatisieren, testen, bereitstellen, überwachen, nachtrainieren.
- Lektion 7: Deployment-VariantenBatch für regelmäßige Listen, Online-API für Sofortantworten, Edge für vor Ort ohne Netz, Streaming für Datenströme. Verpackt meist als Container.
- Lektion 8: Rollout-StrategienShadow: vergleichen ohne Wirkung. Canary: erst wenige, dann alle. A/B: Wirkung fair messen. Immer mit Rollback-Plan.
- Lektion 9: VersionierungCode, Daten, Modell, Umgebung, Seeds und Konfiguration versionieren – sonst ist kein Ergebnis reproduzierbar und kein Fehler auffindbar.
- 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
- Lektion 11: Was überwachen?Überwachen auf allen Ebenen: Technik, Daten, Modell, Geschäft, Kosten, Fairness. Eingabedaten als Frühwarnung, weil die Wahrheit oft spät kommt.
- Lektion 12: Data DriftData Drift = Eingabedaten verändern sich. Messbar ohne Labels, z. B. mit dem PSI: unter 0,1 stabil, über 0,25 handeln.
- Lektion 13: Concept Drift und NachtrainingData Drift: Eingaben ändern sich. Concept Drift: Bedeutung ändert sich. Reaktion: analysieren, nachtrainieren, prüfen, kontrolliert ausrollen.
- Lektion 14: Fallstudie AbsatzprognoseBei sinkender Modellgüte erst eingrenzen und Ursachen trennen, dann gezielt beheben, kontrolliert ausrollen und das Monitoring verbessern.
Abschluss
- ÜbungenTragen Sie Ihre Antworten in die Felder ein. Freitext bewertet die KI wie ein IHK-Prüfer. Öffnen Sie die Musterlösung erst danach.
- Abschlussquiz20 Fragen, jeweils eine richtige Antwort. Ab 14 richtigen Antworten sind Sie gut vorbereitet.
- 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