End-to-End-Machine-Learning-Pipeline für den Thermomix TM6

Datenprodukte für Küchengeräte zu entwickeln, verbindet aktuelle Ansätze der Produktivstellung von Machine-Learning(ML)-Applikationen mit der Herausforderung ML-Algorithmen auf Embedded-Geräten zu evaluieren. Frameworks wie Tensorflow ermöglichen es, ML-Aufgaben direkt auf Embedded-Geräten zu evaluieren. Das verringert Latenzen und verbessert den Datenschutz. Eine der wichtigsten Anforderungen von ML-Applikationen ist eine produktive ML-Pipeline, die eine reibungslose Weiterentwicklung und Wartungsfähigkeit ermöglicht. Dieser Vortrag beleuchtet die Architektur einer produktiven ML-Pipeline mit deren Hilfe wir ML-Applikationen auf dem Vorwerk TM6 entwickeln und warten können. Die Kerntechnologien TensorFlow, KubeFlow und Kubernetes sowie Erfahrungen aus der Entwicklung werden diskutiert.

Vorkenntnisse

- Für den Vortrag wird ein grundsätzliches Verständnis von ML-Methoden vorausgesetzt. Hierzu zählen zum Beispiel Datenvorbereitung, allgemeine Anforderungen an Trainings- und Testdatensätze.
- Kenntnisse in Python, Jupyter Notebooks sowie Kubernetes sind hilfreich, um dem Vortrag zu folgen.

Lernziele

Das Lernziel ist es die Bedeutung von ML-Pipelines zu vermitteln, um wartbare ML-Applikationen auf der Skala des Vorwerk Thermomix TM6 zu entwickeln. Es wird KubeFlow als Werkzeug vorgestellt mit dem sich ML-Pipelines und die Entwicklung von ML-Applikationen realisieren lassen.