Introductie

In deze technische workshop maak je kennis met de praktijk van MLOps — het domein waar machine learning, softwareontwikkeling en operations samenkomen. Je leert hoe je machine learning-modellen ontwikkelt, test, uitrolt én beheert volgens robuuste, schaalbare workflows.

We behandelen het volledige traject: van experiment tracking en modelversiebeheer tot CI/CD, containerisatie, monitoring en retrainingstrategieën. Je gaat hands-on aan de slag met tools zoals MLflow, DVC, Weights & Biases, Docker, Kubernetes en Kubeflow Pipelines.

Deze training biedt een stevig fundament voor teams die machine learning serieus willen inzetten in productieomgevingen en die robuustheid, transparantie en controle willen inbouwen in hun AI-processen.

Leerdoelen

1. Inzicht in het volledige MLOps-proces

• Lifecycle van een ML-model: van data preprocessing tot deployment en monitoring

• Structureren van code en experimenten voor reproduceerbaarheid

• Versiebeheer van modellen, datasets en pipelines

2. Werken met moderne MLOps-tools

• MLflow voor tracking van experimenten, modelregistratie en model deployment

• DVC (Data Version Control) voor datasetbeheer en pipeline tracking

• Weights & Biases voor geavanceerde logging en visualisatie van training runs

• Kubeflow voor het orkestreren van ML-workflows in de cloud of on-premises

3. Deployment & CI/CD

• Pipelines opzetten met Git, Docker, Kubernetes en GitHub Actions/GitLab CI

• Automatiseren van training en deployment met CI/CD-workflows

• Deploymentstrategieën: batch, realtime, edge, model serving via REST APIs

4. Monitoring, observability en modelonderhoud

• Het opzetten van monitoring voor modelprestaties en datadrift

• Signaleren van prestatieverlies of bias in productie

• Retrainingstrategieën en MLOps-loop (continue verbetering)

• Feedback loops met gebruikersdata of annotators

Aanpak en werkvormen

Deze workshop is hands-on en gericht op het bouwen van een werkende MLOps-pipeline. Je werkt met Python, Jupyter Notebooks en command-line tools in combinatie met cloud- of lokale omgevingen. De training is modulair opgebouwd: afhankelijk van je team kunnen we focussen op specifieke onderdelen zoals experiment tracking, CI/CD of monitoring.

Voorbeelden van toepassingen:

• Automatische modeluitrol na nieuwe trainingsrondes

• Continue validatie van voorspellingen bij live systemen

• Gestructureerd samenwerken in ML-teams met gedeelde workflows en tooling

Voor wie

Deze training is bedoeld voor data scientists, ML-engineers, MLOps-specialisten en DevOps-professionals die machine learning-projecten professioneel willen beheren en in productie willen brengen. Ervaring met Python, git en basiskennis van ML-modellen wordt aanbevolen.

Geïnteresseerd in deze training?

Neem gerust contact met ons op. We denken graag met je mee over een training op maat, afgestemd op jouw infrastructuur, team en fase van AI-volwassenheid.