Im Rahmen des aktuellen KI-Hypes macht ein neues Buzzword die Runde: MLOps. Im Schlepptau befindet sich eine ganze Reihe neuer Tools und Player am Markt. Mit einer Mischung aus FOMO und FUD entsteht der Eindruck, dass es nur einer kleinen Gruppe Eingeweihter möglich ist, einen REST-Server Anfragen an ein Machine-Learning-Modell verarbeiten zu lassen. In dieser Session wollen wir einen etwas entspannteren Blick auf MLOps werfen und Lösungsansätze mit etablierten Standardtools vorstellen. Wir werden sehen, dass man in den meisten Fällen mit einer ganz normalen CD Pipeline aus Versionskontrolle (z. B. Git), Build-System (z. B. Maven oder Gradle), CI-Server (z. B. Jenkins) und einem Artefakt-Repository (z. B. Nexus) ein Machine-Learning-Modell in die Produktion bringen kann. Wichtige Fragen, die wir dabei beantworten: 

• Wie gehe ich mit meinen Trainingsdaten um?
• Wie trainiere ich KI-Modelle?
• Wie gehe ich mit trainierten Modellen um und wie verwalte ich sie?
• Wie verheirate ich Python ML Projekte und Java Server?
• Wie bekomme ich das ganze mit GPUs zum laufen?
• Geht das auch ganz ohne Python?