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

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

• 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