In dieser Funktion Definition infrastrukturnaher Standards für Deployment, Integration und Betrieb, Aufbau der Brücke zwischen ML Engineers / Data Scientists, Business IT / Service-Clustern, KI-Governance sowie Plattform- und Infrastrukturfunktionen und Beitrag dazu, dass Produktivsetzung, Monitoring und Lifecycle-Management von Beginn an mitgedacht und nach Produktivsetzung kontinuierlich gesteuert werden. * Konzeption und Weiterentwicklung von Deployment-Standards, CI/CD-Pipelines, Referenzarchitekturen sowie technischen Rahmenbedingungen für MLOps (inkl. Azure ML) in enger Abstimmung mit Plattform-, Infrastruktur- und Security-Teams * Verantwortung für das Modell-Lifecycle-Management: Freigabeprozesse, Drift-Erkennung, Re-Training und Versionierung von Modellen sowie Performanz- und Skalierungsoptimierung (z. B. Quantisierung, Pruning, Batch-/Streaming-Verarbeitung, Nutzung von GPUs)
mehr