Um Machine-Learning-Engineer zu werden, bauen Sie Programmier- und Datenkenntnisse auf, üben die Modellbewertung und lernen, Experimente in getestete, wartbare Systeme zu überführen. Beginnen Sie mit den Fähigkeiten, die Sie noch nicht zuverlässig zeigen können. Orientieren Sie sich anschließend an den Anforderungen Ihrer angestrebten Rolle.
Betrachten Sie ein Modell, das die Produktnachfrage vorhersagt und in einem Notebook vielversprechende Ergebnisse liefert. Eine andere Person soll es nun mit einer neuen Datendatei ausführen. Dafür benötigt sie verständliche Anweisungen, Prüfungen auf fehlende Spalten und eine Möglichkeit, die Qualität der Vorhersagen zu beurteilen.
Diese praktischen Anforderungen geben Ihrer Vorbereitung eine Richtung. Wenn Sie grundlegende Programmierkenntnisse haben, hilft Ihnen der folgende Fahrplan dabei, einen Vorhersageprozess zu entwickeln, den Sie erklären, reproduzieren und betreiben können. Die Schritte sind praktische Empfehlungen; die Anforderungen von Arbeitgebern unterscheiden sich.
Einen umfassenderen Überblick über Aufgaben, Tools und Arbeitsabläufe im produktiven Betrieb bietet unser Leitfaden zu Machine Learning Engineering.
Die Wissenslücke finden, die Ihren nächsten Schritt bestimmt
Bevor Sie einen weiteren Kurs oder ein neues Framework auswählen, klären Sie, was Sie derzeit daran hindert, ein kleines ML-Projekt abzuschließen.
Vielleicht können Sie Python-Code schreiben, aber noch nicht beurteilen, ob eine Modellbewertung zuverlässig ist. Vielleicht funktioniert Ihr Modell gut, doch das Notebook läuft nur, wenn Sie seine Zellen in einer bestimmten Reihenfolge ausführen. Diese Situationen erfordern unterschiedliche Übungen.
Die folgende Tabelle hilft Ihnen, einen Ausgangspunkt zu wählen.
| Was Sie bereits können | Was Sie als Nächstes prüfen sollten | Eine hilfreiche erste Aufgabe |
|---|---|---|
| Einfachen Python-Code schreiben. | Können Sie Daten einheitlich abfragen, prüfen und aufbereiten? | Erstellen Sie ein Skript, das Daten lädt, ihre Struktur prüft und Probleme meldet. |
| Softwareanwendungen entwickeln. | Können Sie ein Modell mit einer geeigneten Methode bewerten? | Vergleichen Sie ein Referenzverfahren und ein Modell anhand einer passenden Datenaufteilung. |
| Daten in Notebooks analysieren. | Kann eine andere Person Ihre Arbeit reproduzieren? | Überführen Sie die relevanten Schritte in ein Projekt mit Tests und Ausführungsanleitung. |
| Modelle trainieren und bewerten. | Können Sie Vorhersagen bereitstellen und überwachen? | Erstellen Sie einen Stapelverarbeitungsprozess oder eine Vorhersage-API mit Betriebsprüfungen. |
Verstehen Sie diese Beispiele als Orientierung. Ihr beruflicher Hintergrund allein belegt nicht, welche Fähigkeiten Sie bereits besitzen.
Eine kurze Selbsteinschätzung kann Ihre Entscheidung erleichtern:
- Können Sie den verwendeten Code erklären und kontrolliert verändern?
- Können Sie ein Datenproblem von einem Modellproblem unterscheiden?
- Können Sie Ihre Bewertungskennzahl und Datenaufteilung begründen?
- Kann eine andere Person das Projekt anhand Ihrer Anleitung ausführen?
- Können Sie einen fehlgeschlagenen Vorhersageprozess untersuchen?
Beginnen Sie bei der frühesten Stufe, bei der Sie unsicher werden. Das liefert einen konkreteren Ansatz, als sämtliche Tools zu studieren, die mit der Berufsbezeichnung verbunden sind.
In sechs Stufen von den Grundlagen zum funktionierenden System
Jede Stufe sollte ein Ergebnis hervorbringen, das Sie nachvollziehbar zeigen können.
Google verbindet in seiner Anleitung zu den Entwicklungsphasen von ML-Projekten Planung und Experimente mit dem Aufbau von Pipelines und dem produktiven Betrieb. Die folgende Lernfolge orientiert sich an diesem Ablauf. Sie ist kein offizieller Qualifikationsweg.
Betrachten Sie für die Beispiele ein hypothetisches Projekt: die Vorhersage der wöchentlichen Nachfrage für eine kleine Auswahl von Produkten. Ein klar begrenzter Umfang ermöglicht es Ihnen, den gesamten Prozess zu üben, ohne jeden Schritt unnötig kompliziert zu machen.
Stufe 1: Grundlagen aufbauen, die Sie zuverlässig anwenden können
Beginnen Sie mit Python, SQL und ausreichend Statistik, um Daten zu untersuchen und Ergebnisse einzuordnen.
Üben Sie in Python Funktionen, Module, Fehlerbehandlung und die Verwaltung von Abhängigkeiten. Nutzen Sie SQL, um strukturierte Datensätze abzurufen und zu verknüpfen. Beschäftigen Sie sich mit Verteilungen, Streuung und zusammenfassenden Kennzahlen, damit Sie ungewöhnliche Werte untersuchen, statt sie automatisch zu löschen.
Prüfen Sie im hypothetischen Nachfrageprojekt Datumsangaben, Produktkennungen, fehlende Einträge und doppelte Datensätze. Klären Sie, was jede Zeile darstellt.
Ein fehlender Verkaufseintrag ist ein hilfreiches Beispiel. Er kann bedeuten, dass keine Verkäufe stattfanden oder dass die Erfassung fehlgeschlagen ist. Ersetzen Sie ihn ungeprüft durch null, wird eine Annahme Bestandteil Ihrer Trainingsdaten.
Ihre Aufgabe: Schreiben Sie ein Skript, das den Datensatz lädt, erforderliche Spalten prüft, Qualitätsprobleme meldet und eine Zusammenfassung erstellt.
Prüfpunkt: Sie können die Transformationen erklären, Ihre Annahmen benennen und das Skript zuverlässig erneut ausführen.
Der Leitfaden zu Fähigkeiten für Machine-Learning-Engineers hilft Ihnen dabei, Grundlagen zu identifizieren, die weitere Übung benötigen.
Stufe 2: Modelle mit einer nachvollziehbaren Methode bewerten
Ein Modell zu trainieren ist nur dann hilfreich, wenn Sie seine Ergebnisse beurteilen können.
Definieren Sie die Aufgabe, bevor Sie einen Algorithmus auswählen. Legen Sie im Nachfragebeispiel fest, für welche Produkte Sie Vorhersagen erstellen, welchen Zeitraum diese abdecken und wann die Eingabedaten verfügbar wären.
Erstellen Sie eine Baseline, also ein einfaches Referenzverfahren für den Vergleich mit einem aufwendigeren Modell. Für dieses hypothetische Projekt könnte die Nachfrage aus einem kürzlich zurückliegenden Zeitraum als Ausgangspunkt dienen.
Teilen Sie die Daten so auf, dass die Bewertung den vorgesehenen Einsatz widerspiegelt. Berücksichtigen Sie bei Prognosen die zeitliche Reihenfolge, damit Informationen aus der Zukunft frühere Vorhersagen nicht beeinflussen.
Unterscheiden Sie die Aufgaben von Trainings-, Validierungs- und Testdaten. Trainingsdaten passen das Modell an. Validierungsdaten unterstützen Entwicklungsentscheidungen. Testdaten dienen der abschließenden Bewertung.
Achten Sie auf Datenleckage. Sie entsteht, wenn Informationen in Entwicklung oder Bewertung einfließen, die zum tatsächlichen Vorhersagezeitpunkt nicht verfügbar wären.
Wählen Sie eine Kennzahl und erklären Sie, welche Fehler sie abbildet. Ein Durchschnittswert kann Probleme verbergen, die einzelne Produkte oder Zeiträume betreffen.
Ihre Aufgabe: Vergleichen Sie ein Referenzverfahren mit einem weiteren Modell und dokumentieren Sie die Bewertung.
Prüfpunkt: Sie können die Datenaufteilung und Kennzahl begründen, Fehler beschreiben und erklären, ob das komplexere Modell seinen zusätzlichen Aufwand rechtfertigt.
Stufe 3: Das Projekt für eine andere Person reproduzierbar machen
Eine andere Entwicklerin oder ein anderer Entwickler sollte Ihr Projekt anhand der Dokumentation ausführen können. Geben Sie die Ausführungsreihenfolge und erforderlichen Paketversionen an, statt zusätzliche mündliche Erklärungen vorauszusetzen.
Trennen Sie Datenaufbereitung, Training, Bewertung und Vorhersage in wiederverwendbare Komponenten. Definieren Sie für jede Komponente klare Ein- und Ausgaben.
Dokumentieren Sie Änderungen mit Git. Erfassen Sie Abhängigkeiten und Konfigurationen. Testen Sie wichtiges Verhalten, beispielsweise den Umgang mit einer fehlenden Pflichtspalte.
Halten Sie für relevante Experimente die verwendeten Daten, die Codeversion, die Einstellungen und das gespeicherte Modell fest. Ein Modellartefakt ist das gespeicherte Ergebnis des Trainings, das später für Vorhersagen verwendet wird.
Ein fester Startwert für Zufallsprozesse, auch Random Seed genannt, hilft dabei, Zufälligkeit zu kontrollieren. Er stellt jedoch nicht allein die Reproduzierbarkeit sicher. Auch Daten, Abhängigkeiten, Hardware und Ausführungseinstellungen können Ergebnisse beeinflussen.
Ihre Aufgabe: Überführen Sie das Notebook in ein dokumentiertes Projekt mit wiederverwendbarem Code und aussagekräftigen Tests.
Prüfpunkt: Sie können das Projekt in einer neu eingerichteten Umgebung ausschließlich anhand seiner Anleitung und dokumentierten Abhängigkeiten ausführen.
Stufe 4: Vorhersagen über einen definierten Prozess bereitstellen
Durch die Bereitstellung wird ein trainiertes Modell für eine Anwendung oder einen Arbeitsablauf nutzbar. Inferenz bezeichnet die Verwendung des Modells zur Erstellung von Vorhersagen.
Wählen Sie eine Bereitstellungsform, die zur Aufgabe passt. Für eine wöchentliche Nachfrageplanung genügt möglicherweise ein Stapelverarbeitungsprozess, der Eingaben liest und Vorhersagen ausgibt. Eine Anwendung, die einzelne Vorhersagen anfordert, benötigt möglicherweise eine API.
Eine API ist eine definierte Schnittstelle, über die Softwarekomponenten Anfragen und Ergebnisse austauschen.
Prüfen Sie Eingaben, dokumentieren Sie Ausgaben und wenden Sie die relevante Vorverarbeitung einheitlich an. Legen Sie fest, wie der Prozess auf fehlende Dateien, ungültige Werte oder unerwartete Kategorien reagiert.
Halten Sie die erste Bereitstellung überschaubar. Ein funktionierender lokaler Prozess kann Ihnen helfen, diese Grundlagen zu üben, bevor Sie Cloud-Infrastruktur ergänzen.
Ihre Aufgabe: Erstellen Sie einen Befehl für Vorhersagen in Stapelverarbeitung oder eine kleine Vorhersage-API.
Prüfpunkt: Vorhersagen werden außerhalb des Notebooks erzeugt, Eingaben werden geprüft und eine andere Person kann die dokumentierten Ausgaben verwenden.
Der ergänzende Leitfaden zur Bereitstellung von Machine-Learning-Modellen behandelt die Bereitstellungsformen und Umsetzungsentscheidungen genauer.
Stufe 5: Fehler erkennen und den Betrieb wiederherstellen
Zeigen Sie sowohl eine erfolgreiche Ausführung als auch den Umgang mit einem Fehler. Protokolle und Prüfungen sollten das Problem sichtbar machen und seine Untersuchung unterstützen.
Erfassen Sie, ob Verarbeitungsläufe abgeschlossen werden, wie lange sie dauern und ob die Ausgaben aktuell sind.
Prüfen Sie eingehende Daten auf fehlende Felder, unerwartete Werte und veränderte Muster. Datendrift bedeutet, dass sich die Verteilung der Eingaben verändert hat. Sie kann eine Untersuchung rechtfertigen, beweist aber für sich genommen keine Verschlechterung der Vorhersagequalität.
Bewerten Sie die Modellleistung, sobald zuverlässige tatsächliche Ergebnisse verfügbar sind. Bei Nachfrageprognosen ist dies nach dem Prognosezeitraum möglich.
Die Google-Cloud-Anleitung zu MLOps-Praktiken für Tests, Bereitstellung und Automatisierung erläutert, weshalb Daten- und Modellprüfungen zusätzlich zu Softwaretests benötigt werden.
Definieren Sie, wie Sie eine Aktualisierung bewerten und freigeben. Erfassen Sie die bereitgestellte Modellversion und legen Sie eine Reaktion auf fehlgeschlagene Bereitstellungen fest.
Ihre Aufgabe: Verwenden Sie eine ungültige Eingabe oder simulieren Sie einen Verarbeitungsfehler. Untersuchen Sie anschließend das Problem anhand Ihrer Prüfungen und Protokolle.
Prüfpunkt: Sie können das Problem erkennen, die Ursache erklären und den Betrieb mithilfe einer dokumentierten Vorgehensweise wiederherstellen.
Stufe 6: Projektnachweise für Ihre angestrebte Rolle entwickeln
Wenn die Grundlagen funktionieren, wählen Sie einen Schwerpunkt, der zu Ihrer angestrebten Tätigkeit passt.
Mögliche Spezialisierungen sind Prognoseverfahren, Computer Vision, die Verarbeitung natürlicher Sprache oder ML-Infrastruktur. Sie müssen nicht alle Bereiche verfolgen.
Lesen Sie relevante Stellenausschreibungen. Unterscheiden Sie wesentliche Anforderungen von optionalen Tools und Aufgaben für erfahrene Fachkräfte. Erweitern Sie Ihr Projekt dort, wo Sie damit relevante Fähigkeiten zeigen können.
Beispielsweise könnten Sie Prognosefehler genauer untersuchen oder die Zuverlässigkeit der Vorhersagepipeline verbessern. Erklären Sie, warum die Änderung wichtig ist und welchen zusätzlichen Aufwand sie bei Komplexität oder Wartung verursacht.
Ihre Aufgabe: Schreiben Sie eine kurze Projektbeschreibung, die Ihre Arbeit mit den Aufgaben einer relevanten Stelle verbindet.
Prüfpunkt: Sie können erklären, was Sie entwickelt haben, warum Sie wichtige Entscheidungen getroffen haben, wie Sie das Ergebnis bewertet haben und welche Einschränkungen bestehen bleiben.
Ihre Vorbereitung mit einer konkreten Stellenausschreibung vergleichen
Bewerten Sie Ihren Fortschritt nicht ausschließlich anhand der Zahl abgeschlossener Tutorials. Vergleichen Sie Ihre nachweisbaren Fähigkeiten mit den Aufgaben einer konkreten Stelle.
Eine Übersicht macht diesen Vergleich greifbar.
| Anforderung | Möglicher Nachweis | Frage zur Prüfung |
|---|---|---|
| Python-Entwicklung | Wiederverwendbare Komponenten, Tests und dokumentierte Abhängigkeiten. | Kann ich den Code erklären und verändern? |
| Modellbewertung | Geeignete Datenaufteilungen, Kennzahlen und Fehleranalysen. | Kann ich die Bewertung begründen? |
| Reproduzierbarkeit | Ausführungsanleitung und dokumentierte Konfigurationen. | Kann eine andere Person den Prozess wiederholen? |
| Bereitstellung | Ein funktionierender Stapelverarbeitungsprozess oder eine Vorhersage-API. | Sind Ein- und Ausgaben klar definiert? |
| Verständnis des Betriebs | Protokolle, Prüfungen und eine Anleitung zur Fehlerbehandlung. | Kann ich einen Fehler untersuchen? |
| Kommunikation | Eine verständliche Erklärung der Annahmen und Einschränkungen. | Kann ich die Arbeit ohne unnötige Fachsprache erklären? |
Wenn eine Anforderung eine Wissenslücke aufzeigt, machen Sie daraus eine konkrete Übungsaufgabe. „Bereitstellungskenntnisse verbessern“ bleibt vage. „Eingabeprüfungen ergänzen und den Umgang mit ungültigen Anfragen zeigen“ beschreibt eine Aufgabe, die Sie abschließen und überprüfen können.
Die Anforderungen unterscheiden sich. Dieser Vergleich hilft Ihnen bei der Selbsteinschätzung. Er ersetzt weder die Bewertung durch einen Arbeitgeber noch ausdrücklich genannte Bildungsvoraussetzungen.
Ihre Projekterfahrung korrekt darstellen
Erklären Sie, welche Arbeiten Sie selbstständig durchgeführt haben, wo Sie Unterstützung erhielten und welche Themen Sie bisher nur theoretisch behandelt haben.
Dokumentieren Sie Datenquelle, Ausführungsanleitung, Bewertung, Tests und Einschränkungen. Ein Demonstrationsprojekt kann nützliche Fähigkeiten zeigen, ohne als System für tatsächliche Kunden dargestellt zu werden.
Vermeiden Sie erfundene Geschäftsergebnisse. Wurde das Projekt nicht im Betrieb eingesetzt, behaupten Sie nicht, dass es Kosten gesenkt oder die Leistung einer Organisation verbessert habe.
Wenn Sie sich auf Stellen in Deutschland bewerben, bietet unser Leitfaden zum Verfassen eines klar strukturierten Lebenslaufs für Bewerbungen in Deutschland ergänzende Hinweise zur Darstellung Ihrer Erfahrung und relevanten Fähigkeiten. Eine klare Formatierung garantiert weder ein erfolgreiches Bewerberscreening noch eine Einladung zum Vorstellungsgespräch.
Einen sinnvollen nächsten Lernschritt wählen
Ihr nächster Schritt sollte die Lücke schließen, die Ihr Projekt derzeit begrenzt.
Wenn Programmierung das Hindernis ist, üben Sie Skripte, wiederverwendbare Funktionen und Tests. Wenn Sie bei der Bewertung unsicher sind, vertiefen Sie Datenaufteilung, Referenzverfahren und Kennzahlen. Wenn Ihre Arbeit im Notebook endet, erstellen Sie einen dokumentierten Vorhersageprozess, bevor Sie ein weiteres Modellprojekt beginnen.
Eine strukturierte Weiterbildung kann einen geordneten Einstieg bieten, wenn mehrere Stufen noch ungewohnt sind. Vergleichen Sie Voraussetzungen, Lehrplan, Übungsmöglichkeiten und Angaben zum Zertifikat mit Ihrem Bedarf.
Der GCI-Kurs Machine Learning Engineer Professional Diploma nennt Grundlagen, ML-Verfahren, Data Engineering, produktives ML und MLOps, Governance sowie ein Abschlussprojekt als Lehrplanthemen. Zu den veröffentlichten Voraussetzungen gehören grundlegende Python-Kenntnisse und Grundlagen in Mathematik und Statistik.
Vergleichen Sie diese Themen und Voraussetzungen mit Ihrem aktuellen Wissen und Ihren Lernzielen. Der Kursabschluss allein belegt weder die Eignung für eine bestimmte Stelle noch garantiert er eine Beschäftigung. Er ist auch kein Nachweis der Rechtskonformität, einer beruflichen Zulassung oder einer staatlich anerkannten Qualifikation.
Prüfen Sie den Lehrplan und die Teilnahmevoraussetzungen, um einzuschätzen, ob der Kurs Ihren nächsten Lernschritt unterstützt.