Banken, Versicherungen & Kanzleien

MLOps für Banken und Versicherungen: ML-Modelle prüfbar in Betrieb bringen

Ein Kreditscoring- oder Betrugserkennungsmodell, das im Notebook gute Werte liefert, ist noch lange kein verlässlicher Teil des Kernbanken- oder Bestandssystems. Dieses Tagesseminar begleitet Data Scientists, ML-Engineers, IT-Architektur und Projektleitung durch den gesamten Weg in den Betrieb: Prozesskette und Rollen, Deployment-Optionen und Pipeline-Tools, Drift-Überwachung und Re-Training. Weil Aufsicht und interne Revision jede Modellentscheidung nachvollziehen wollen, erhalten Reproduzierbarkeit, Dokumentation, DSGVO und AI Act eigenen Raum.

Für wen

Data Scientists, ML-Engineers, IT-Architektinnen und -Architekten, Projektleitungen und Fachverantwortliche aus Banken, Versicherungen und Finanz-IT, die Machine-Learning-Modelle stabil, sicher und effizient in den laufenden Betrieb integrieren wollen.

KI-Tagesseminar · 1 Tag

Deployment, Überwachung und Auditfähigkeit von ML-Modellen im regulierten Finanzumfeld

Das nehmen Sie mit

  • Sie können den ML-Lifecycle mit Phasen, Rollen und Bausteinen wie Modell-Registry, CI/CD und Feature Store strukturieren.
  • Sie wählen begründet zwischen Batch und Echtzeit, lokal und Cloud sowie zwischen MLflow, Kubeflow und Airflow.
  • Sie erkennen Drift im Live-Betrieb und richten Logging, Alerting und Re-Training ein.
  • Auditfähige Modelldokumentation beherrschen Sie, und für ein eigenes Projekt stehen die Einführungsschritte fest.

Ablauf

  1. Teil 1

    Modul 1 – Ausgangslage: Was MLOps im Finanzumfeld verlangt

    • Unterschied zu DevOps: was beim Betrieb von ML-Modellen hinzukommt, etwa Trainingsdaten und Modellversionen
    • Reproduzierbarkeit, Auditierbarkeit und Sicherheit als besondere Hürden in Banken und Versicherungen
    • Weshalb ein Scoring-Modell nach dem Training nicht fertig ist, sondern dauerhaft betrieben werden muss
    • Fallstricke aus Projekten, deren Modelle den Weg in die Produktion nie geschafft haben
  2. Teil 2

    Modul 2 – ML Lifecycle: Prozesskette, Rollen, Bausteine

    • Überblick über die MLOps-Prozesskette von der Datenaufbereitung bis zur Entscheidung im Fachsystem
    • Rollen und Schnittstellen im MLOps-Team zwischen Data Science, IT und Compliance
    • Phasen und Zuständigkeiten so gliedern, dass Übergaben zwischen den Teams eindeutig sind
    • Zentrale Begriffe: Modell-Registry, CI/CD, Feature Store
  3. Teil 3

    Modul 3 – Deployment: Bereitstellung und Pipeline-Tools wählen

    • Batch vs. Echtzeit: nächtliche Neuberechnung von Scores gegenüber Prüfung jeder einzelnen Transaktion
    • Lokal vs. Cloud: Betrieb im eigenen Rechenzentrum oder bei einem Cloud-Anbieter
    • Pipeline-Tools MLflow, Kubeflow, Airflow: welches Team welches Werkzeug benötigt
    • Monitoring mit Health Checks und Metriken von Beginn an mitplanen
    • Für einen Anwendungsfall des Hauses den passenden Deployment-Ansatz bestimmen
  4. Teil 4

    Modul 4 – Live-Betrieb: Drift erkennen und Modelle pflegen

    • Performance-Drift, Daten-Drift und Concept Drift unterscheiden, erkennen und gezielt reagieren
    • Logging, Alerting und Re-Training als zusammenhängender Pflegekreislauf
    • Software für die Modellüberwachung und ihre Einbindung in bestehende Betriebsabläufe
    • Produktive Modelle absichern, damit Kredit- oder Schadenentscheidungen verlässlich bleiben
  5. Teil 5

    Modul 5 – Compliance und Start: Regulatorik, Nachweise, Einführung

    • DSGVO, AI Act und IT-Sicherheitsrichtlinien im Finanzumfeld
    • Dokumentation und Reproduzierbarkeit, damit jede Modellentscheidung später belegt werden kann
    • Sensible Kundendaten und erklärbare Modelle: Auditfähigkeit und Governance sicherstellen
    • Fallbeispiele gelungener MLOps-Projekte aus dem Finanzwesen
    • Checkliste für den Projektstart und Lessons Learned, was besser unterbleibt
    • Einführungsschritte für ein eigenes MLOps-Vorhaben festlegen

VoraussetzungenGrundkenntnisse in Machine Learning, Erfahrung mit gängigen Tools wie Python und scikit-learn sowie ein Grundverständnis von Softwareentwicklung, Versionierung und Deployment-Prozessen. Praxis aus ML-Projekten hilft, wird aber nicht vorausgesetzt.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen