Seminar JFrog ML, AI Catalog und Model Management Seminar

Inhaltsverzeichnis

• Seminarprofil
• Themenschwerpunkte
• Praktische Übungen
• Zielgruppe
• Voraussetzungen

Seminarprofil

Dieses Training behandelt ML- und AI-Workflows innerhalb der JFrog Plattform. Im Mittelpunkt stehen Modellverwaltung, AI Catalog, Model Registry, Metadaten, Artefaktbezug, Governance, sichere Nutzung von Modellen und die Einbindung in bestehende DevOps- und DevSecOps-Prozesse.

Modelle werden als produktionsrelevante Softwarekomponenten betrachtet. Dadurch werden Versionierung, Herkunft, Freigabe, Sicherheit, Nachvollziehbarkeit und Deployment-Fähigkeit ähnlich strukturiert wie bei anderen Artefakten. Das Seminar ordnet Data-Science-, ML-Engineering- und Plattformanforderungen in ein gemeinsames Betriebsmodell ein.

Zwei Tage sind notwendig, weil neben MLOps-Konzepten auch Modellartefakte, Metadaten, Governance, Sicherheitsaspekte und praktische Veröffentlichungs- und Freigabemuster behandelt werden.

Themenschwerpunkte

• Rolle von JFrog ML und AI Catalog in MLOps- und MLSecOps-Szenarien
• Modelle, Datenartefakte und Abhängigkeiten als verwaltete Softwarekomponenten
• Model Registry, Versionierung, Metadaten und Herkunftsinformationen
• Governance für interne und externe Modelle
• Sicherheits- und Compliance-Aspekte bei Modellnutzung und Modellverteilung
• Integration in CI/CD-, Freigabe- und Deployment-Prozesse
• Zusammenarbeit zwischen Data Science, ML Engineering, Security und Plattformbetrieb

Praktische Übungen

1. Ein Modellartefakt mit Metadaten und Versionsinformationen modellieren
2. Einen Katalogeintrag für ein internes Modell strukturieren
3. Risiko- und Freigabekriterien für externe Modelle festlegen
4. Ein Promotion-Szenario von Experiment zu produktionsnaher Nutzung beschreiben
5. Ein Rollenmodell für Data Science, Plattformbetrieb und Governance ableiten

Zielgruppe

ML Engineers, Data-Science-Plattformteams, DevOps Engineers, Security-Verantwortliche und Architekten mit Bezug zu AI-/ML-Lieferketten.

Voraussetzungen

Grundkenntnisse in ML-Lifecycle, Artefaktmanagement, CI/CD oder Plattformbetrieb. Tiefes Data-Science-Wissen ist nicht erforderlich.