Das Training für Data-Science-Teams richtet sich an Data Scientists, ML Engineers und MLOps-Praktiker, die AI/ML-Workloads auf PaletteAI bereitstellen und verwalten müssen. Alle Pakete umfassen praxisnahe Laborübungen mit GPU-Zugriff, Codebeispiele und Q&A-Sessions nach dem Training.
Phase 3: Betrieb & Befähigung
Training für Data-Science-Teams
Training für Data Scientists und ML Engineers zu Self-Service-Provisionierung, Einreichung von GPU-Workloads, MLOps-Tools und Model Serving auf PaletteAI.
Übersicht
Was Sie erhalten
- Strukturierter Lehrplan, zugeschnitten auf Data-Science- und ML-Engineering-Teams
- Praxisnahe Laborübungen mit GPU-fähigen PaletteAI-Umgebungen
- Codebeispiele und Referenz-Notebooks
- Q&A-Sessions mit dem Trainer nach dem Training
- Abschlusszertifikat (alle Pakete) mit optionaler Kompetenzbewertung und Kompetenz-Badge
Kurzüberblick
Phase 3: Betrieb & Befähigung
Kohorte: Bis zu 12 Teilnehmende
Voraussetzung: Grundlegendes K8s-Verständnis
Der Lehrplan umfasst:
| ESSENTIALS | STANDARD | PREMIUM | |
|---|---|---|---|
| Überblick über PaletteAI für ML-Workloads | X | X | X |
| Bereitstellung von GPU-Clustern und Ressourcenquoten | X | X | X |
| Bereitstellung von Jupyter-/Notebook-Umgebungen | X | X | X |
| Grundlagen des Model Serving (KServe, Seldon) | X | X | X |
| Einführung in Spectro Cloud Packs für ML | X | X | X |
| MLOps-Pipeline-Design (Kubeflow, Argo) | — | X | X |
| Multi-GPU-Scheduling und NUMA-bewusste Platzierung | — | X | X |
| Model-Registry-Integration und Versionierung | — | X | X |
| Experiment-Tracking auf PaletteAI | — | X | X |
| Orchestrierung von Datenpipelines (Spark, Ray auf K8s) | — | X | X |
| Fortgeschrittene Muster für verteiltes Training | — | — | X |
| Entwicklung benutzerdefinierter Operatoren für ML-Workflows | — | — | X |
| Kostenoptimierung für GPU-Cluster | — | — | X |
| Federated Learning und Multi-Cluster-Modelltraining | — | — | X |
| Monitoring von Produktionsmodellen und Drift-Erkennung | — | — | X |
| Abschlussprojekt: Aufbau einer End-to-End-MLOps-Pipeline | — | — | X |
Funktionsvergleich
| GRUNDLAGEN | STANDARD | PREMIUM | |
|---|---|---|---|
| Dauer | 2 Tage | 3 Tage | 5 Tage |
| Kohorte | Bis zu 12 | Bis zu 12 | Bis zu 10 |
| Format | Live virtuell | Virtuell oder vor Ort | Vor Ort bevorzugt |
| Labs | 3 geführte Labs | 6 Labs + Miniprojekt | 10 Labs + Abschlussprojekt |
| Lab-Umgebung | Gemeinsame Sandbox | Dedizierter Cluster | Dediziert + 30 Tage Zugriff |
| Trainer | Senior Consultant | Senior + Sprechstunden | Lead Data Scientist + Mentoring |
| Zertifizierung | Teilnahmezertifikat | + Kompetenzbewertung | + ISC Kompetenzabzeichen |
So funktioniert es
1Vor dem Training
ISC bewertet den Kenntnisstand Ihres Teams und die aktuell eingesetzten Tools. GPU-fähige Lab-Umgebungen werden bereitgestellt und mit Beispieldatensätzen vorkonfiguriert.
2Durchführung des Trainings
Trainergeführte Sessions verbinden Theorie mit praktischen Labs. Jede Stufe baut auf der vorherigen auf, mit zunehmender Tiefe und Komplexität.
3Nach dem Training
Fragerunden mit dem Trainer. Die Premium-Stufe umfasst 30 Tage Lab-Zugriff und fortlaufendes Mentoring.
Leistungen
- Trainergeleitete Schulungen (virtuell oder vor Ort)
- Praxisnahe Laborübungen mit GPU-fähigen Umgebungen
- Codebeispiele und Referenz-Notebooks
- Abschlusszertifikate für alle Teilnehmenden
- Ergebnisse der Kompetenzbewertung (Standard und Premium)
- ISC Kompetenz-Badge (Premium)
Das ist das Richtige für Sie, wenn …
Das Training für Data-Science-Teams richtet sich an Data Scientists, ML Engineers, MLOps-Praktiker und Teams in der angewandten Forschung, die AI/ML-Workloads auf PaletteAI bereitstellen und ausführen müssen.
Grundlegende Kubernetes-Kenntnisse werden empfohlen. Für Essentials ist keine vorherige Erfahrung mit PaletteAI erforderlich.
Stärken Sie Ihr Data-Science-Team
Sorgen Sie dafür, dass Ihre ML Engineers auf PaletteAI schnell produktiv werden.