Data Pipelines für KI (Machine Learning): von der Quelle zum Feature Store

Data Pipelines für KI (Machine Learning): von der Quelle zum Feature Store.

MODUL 01: DATENPIPELINES FÜR ML

• Batch versus Streaming
• Anforderungen von Training und Inferenz
• Architekturmuster
• Live-Demo: von der Rohquelle zum Feature
• Ihre Ausgangslage: Wie fließen Ihre Daten heute?

MODUL 02: AUFBAU

• Ingestion, Transformation und Orchestrierung
• Werkzeuge: Airflow, dbt, Spark
• Übung: Sie modellieren eine Pipeline
• Der Aha-Moment: reproduzierbare Daten statt Handarbeit
• Robustheit von Anfang an

MODUL 03: FEATURES

• Feature Engineering reproduzierbar machen
• Feature Stores: Online/Offline-Konsistenz
• Training-Serving-Skew vermeiden
• Übung: Sie definieren ein Feature konsistent
• Konsistenz zwischen Training und Betrieb

MODUL 04: BETRIEB

• Monitoring, Testing und Data Contracts
• Kosten und Skalierung
• Fallstudie: eine ML-Pipeline produktiv setzen
• Betrieb und Wartung
• Ihr Fahrplan zur robusten Pipeline