KI & MLOps von Grund auf

Alle reden über KI. Jede App hat jetzt einen KI-Knopf, jede Firma eine KI-Strategie, und jeder zweite Post, den ich sehe, erklärt, wie KI alles verändern wird. Irgendwann wurde mir klar, dass ich viel mehr darüber gelesen hatte, als ich verstand.

Also beschloss ich, nicht nur zu lesen, sondern es auch zu lernen. Richtig, von Grund auf. Die obige Abbildung zeigt die Schleife, die ich verstehen will: Daten, Training, Tracking, Serving, Monitoring und dann erneut Umschulungen.

Warum MLOps und nicht einfach „KI“

Ein Modell in einem Notebook zu trainieren ist der spaßige, aufregende Teil. Man lädt ein paar Daten, führt ein paar Zeilen Code aus, und plötzlich sagt der Computer Dinge voraus. Es fühlt sich wie Magie an.

Aber ein Modell, das in einem Notebook auf meinem Laptop liegt, hilft niemandem. Der schwierige Teil, und der, den ich wirklich spannend finde, ist alles danach. Wie macht man daraus etwas, das Menschen tatsächlich nutzen können? Woher weiß man, dass es nächsten Monat noch funktioniert, wenn sich die Daten geändert haben? Wie aktualisiert man es, ohne etwas kaputtzumachen? Das ist MLOps: das Engineering, das Machine Learning vom Experiment zu etwas Verlässlichem macht.

Ein Modell zu bauen ist der Anfang. Es am Laufen zu halten ist die eigentliche Arbeit.

Mein Plan

Ich habe mir eine Roadmap geschrieben. Vierundzwanzig Wochen, etwa 8 bis 10 Stunden pro Woche, beginnend mit Python und Datengrundlagen und endend mit einem Modell, das ausgerollt ist, überwacht wird und sicher neu trainiert werden kann.

Die Idee, die mir am besten gefällt: ein einziges Projekt komplett durchbauen statt vieler kleiner, unverbundener Übungen. Es beginnt als einfaches Notebook und wächst Schritt für Schritt: zu einem getesteten Python-Paket, dann zu einer nachverfolgten, reproduzierbaren Trainings-Pipeline, dann zu einer API, dann zu einem Container, dann zu etwas, das in der Cloud läuft, mit Dashboards, die es beobachten. Jede neue Fähigkeit kommt in dasselbe System, damit ich sehe, warum sie wichtig ist.

Meine Wochen haben auch einen Rhythmus: ein paar Stunden Konzepte lernen, die meiste Zeit bauen, ein, zwei Stunden für Tests und Automatisierung und am Ende eine Stunde, um zurückzublicken und aufzuschreiben, was ich gelernt habe. Diese letzte Stunde ist die, die ich am liebsten auslassen würde, und wahrscheinlich die wichtigste.

Wo ich wirklich stehe

Ehrlich? Ganz am Anfang. Phase 0. Ich habe das Projekt, die Tools und die Struktur aufgesetzt. Mein erster echter Test prüft, ob eine Funktion, die einen Durchschnitt berechnet, auch mit negativen Zahlen das richtige Ergebnis liefert. Nicht gerade künstliche Intelligenz.

Aber genau darum geht es. Mein erster Meilenstein ist, dass ein einziger Befehl meinen Codestil prüft, alle Tests ausführt und durchläuft. Klein und unspektakulär, und das Fundament, auf dem alles andere steht. Ich baue das lieber jetzt richtig, als später ein cleveres Modell auf einem Chaos zu haben.

Die Tools, die ich lernen werde

Für Neugierige: Der Plan ist zunächst ein Tool pro Problem. Python mit pandas und scikit-learn fürs Machine Learning, pytest zum Testen, MLflow, um Experimente nachzuverfolgen, DVC, um Daten zu versionieren, FastAPI, um Vorhersagen bereitzustellen, Docker, um alles zu verpacken, GitHub Actions zur Automatisierung und Prometheus, Grafana und Evidently fürs Monitoring. In meiner Roadmap steht ein Satz, zu dem ich immer wieder zurückkehre: Die genauen Tools sind weniger wichtig, als Reproduzierbarkeit, Automatisierung, Beobachtbarkeit und sichere Änderungen zu verstehen.

Was ich jemandem raten würde, der heute anfängt

Fang kleiner an, als du denkst. Such dir ein langweiliges, einfaches Problem mit öffentlichen Daten. Bring die Grundlagen von Anfang bis Ende zum Laufen, bevor du dem schicken Zeug hinterherjagst. Und schreib jede Woche auf, was du gelernt hast, denn dein zukünftiges Ich wird es vergessen.

Ich schreibe hier weiter, während ich vorankomme. Die Erfolge, die Bugs und die Momente, in denen ich keine Ahnung habe, was ich tue. Was, so vermute ich, die meisten sein werden.

Stand: Phase 0 so gut wie fertig. Noch 23 Wochen.

— Desly