Training · 3 Tage
Von rohen Sensordaten
zur laufenden Vorhersage-API.
Hands-on-Workshop für Prozessingenieure, Fachexperten und Data Analysts aus der Industrie. Python-Grundkenntnisse, kein ML-Vorwissen. Wir fangen einfach an und messen, bevor wir komplexer werden.
Für wen
Prozessingenieure, Fachexperten und Data Analysts in Industrieunternehmen. Python-Grundkenntnisse, kein ML-Vorwissen. Sie kennen ihre Prozesse und Daten, aber noch nicht, dass man ML-Systeme von Tag 0 an benchmarken muss, oder wann sich mehr Modellkomplexität überhaupt lohnt.
Der Fall
Ausfallvorhersage an Fertigungsmaschinen: 10.000 Datensätze aus Luft- und Prozesstemperatur, Drehzahl, Drehmoment und Werkzeugverschleiß, mit einem bevorstehenden Maschinenausfall als Zielgröße. Alles läuft lokal, kein Sensorwert verlässt Ihr Netzwerk. Das Training lässt sich auf die jeweilige Branche zuschneiden und bei Bedarf mit unternehmenseigenen Daten durchführen.
Das Ergebnis
Teilnehmende verlassen den Kurs mit einer versionierten Vorhersage-API, optimiert auf die Business-Metrik hinter der Ausfallvorhersage (im Kursbeispiel eine sechsstellige Kosteneinsparung), inklusive Monitoring und Explainability. Dazu die Gewohnheit, jedes Modell von Anfang an zu evaluieren, nachvollziehbar zu tracken und nur so komplex zu bauen, wie es sich nachweislich lohnt.
Die drei Tage
Von der Baseline
zur produktionsnahen API.
Tag 1
Aufbereiten, Baseline erstellen, evaluieren
Explorative Datenanalyse und erste Features. Eine regelbasierte Baseline liefert die erste Vorhersage, sofort mit MLflow evaluiert, ein lineares Modell zeigt die erste Verbesserung.
Tag 2
Vergleichen, tunen, optimieren
Wir vergleichen Baummodelle bis zu XGBoost mit automatisiertem Hyperparameter-Tuning, optimiert auf das Business-Ziel statt auf eine abstrakte Metrik: im Kursbeispiel eine sechsstellige Kosteneinsparung durch vermiedene Stillstände.
Tag 3
Erklären, deployen, überwachen
Explainable AI macht Vorhersagen nachvollziehbar, Unsupervised Learning ergänzt Anomalien ohne Label. Das beste Modell geht aus der MLflow Registry live, inklusive Drift-Monitoring.
Erst Intuition, dann Framework
Jedes Modell wird zuerst als Intuition an einem einfachen Beispiel eingeführt, wird dann mit den gängigen Frameworks (scikit-learn, XGBoost) in die Pipeline eingebaut und evaluiert, danach dort verbessert, wo es hakt. Alles anwendungsfall- und problemgetrieben, so einfach wie möglich, so komplex wie notwendig.
Messen vor Verbessern
Schon die erste Vorhersage wird evaluiert und mit MLflow protokolliert, denn nur wer misst, wie gut ein Modell wirklich ist, kann es gezielt verbessern. Am Ende des Trainings steht so eine begründete Auswahl: das beste geloggte Modell geht produktiv.
Ihre Fragen, nicht unsere Folien
Eine moderierte Diskussionsrunde pro Tag, zu Praxisfragen aus Ihrem Betrieb: von der Identifikation vielversprechender ML-Use-Cases über den Umgang mit Ground Truth bis dahin, was beim Deployment und im laufenden Betrieb tatsächlich bricht.
Code, kein Powerpoint
Das GitHub-Repo ist das Trainingsmaterial: Notebooks auf Deutsch, mit dem Sensordatensatz für den Ausfallvorhersage-Fall, fertigen Eval-Metriken und Utility-Modulen.
In Präsenz, nicht remote
8 bis 15 Teilnehmende, in Präsenz: Die Interaktion mit den Teilnehmenden ist das A und O. Eigener Laptop genügt, wahlweise vollständig lokal oder in der Cloud gehostet.
Didaktik
Erst das einfache Beispiel,
dann der laufende Fall.
Jedes Training folgt derselben Dramaturgie. Ein Konzept wird zuerst an einem einfachen Beispiel eingeführt, wird mit den gängigen Frameworks in den durchgehenden Anwendungsfall aus der Praxis eingebaut und evaluiert. Danach schrittweise komplizierter gemacht, gemessen und dort verbessert, wo es hakt. Alles anwendungsfall- und problemgetrieben, so einfach wie möglich, so komplex wie notwendig. Teilnehmende verstehen, warum eine Methode greift, nicht nur welchen Befehl sie tippen.
Ein Team, das misst,
bevor es skaliert.
Sagen Sie uns, welches Format zu Ihrem Team passt. Wir klären Rahmen, Größe und Termin und melden uns innerhalb eines Werktages.