Steffen L.

Entwicklung eines produktionsnahen End-to-End-MLOps-Showcases für ein Klassifikations- und Decisioning-System.

Customer Churn Prediction dient bewusst als Beispiel-Use-Case für typische Business-ML-Probleme wie Risk Scoring, Priorisierung und Next-Best-Action-Entscheidungen. Der Fokus liegt nicht nur auf der Modellvorhersage, sondern auf der Operationalisierung des gesamten ML-Lifecycles: Deployment, Monitoring, Retraining, Modellversionierung und Übersetzung von Vorhersagen in konkrete Business Actions.

Umgesetzt wurden eine FastAPI-basierte Prediction API mit Single- und Batch-Inference, Expected-Value-basierte Decision Logic für Retention Actions, Customer Prioritization, Explainability Endpoints, MLflow Experiment Tracking und Model Registry sowie Champion/Challenger-Promotion mit API Model Reload.

Für den operativen ML-Betrieb wurden Trainings- und Retraining-Workflows mit Prefect, Datenvalidierung, Feature Engineering, Dataset-Versionierung, Delayed-Label-Monitoring, Modellperformance-Evaluation, Feature Drift Detection und automatische Retraining Trigger umgesetzt.

Ergänzend enthält das Projekt Prometheus/Grafana Monitoring für API-Metriken, ein Streamlit Dashboard für Modell- und Business-Monitoring, einen Docker-basierten lokalen Entwicklungsstack sowie Terraform- und GitHub-Actions-basiertes Deployment auf GCP Cloud Run inklusive CI/CD Pipeline mit Tests, Smoke Tests, Docker Build und Trivy Scan.

Das Projekt demonstriert wiederverwendbare MLOps-Patterns für produktionsnahe Classification-Systeme: Model Serving, Model Registry, Monitoring, Retraining, CI/CD, Cloud Deployment und Business-Logik auf Basis von Modellvorhersagen.

Tech Stack: Python, FastAPI, MLflow, Prefect, Docker, Terraform, GitHub Actions, Prometheus, Grafana, GCP, scikit-learn, Pandas.

Der vollständige Code inklusive README, Docker-Setup, CI/CD Workflow und Screenshots ist über mein verlinktes GitHub-Profil einsehbar.

Entwicklung eines produktionsnahen End-to-End-MLOps-Showcases für Time Series Forecasting, Forecast Monitoring und automatisiertes Retraining.

Demand Forecasting anhand eines Store-Sales-Beispiels dient bewusst als Use Case für Forecasting-, Regressions- und Planning-Szenarien. Im Mittelpunkt steht nicht nur die Prognose, sondern die Operationalisierung des Systems: Training, API Serving, Monitoring, Drift Detection, Evaluation, Retraining und Deployment.

Der Fokus liegt auf Anwendungsfällen, bei denen Prognosen operative oder geschäftliche Entscheidungen beeinflussen, z. B. Nachfrageplanung, Umsatzprognosen, Bestandsplanung oder Kapazitätsplanung.

Umgesetzt wurden eine FastAPI Forecasting API, strukturierte Prediction Logs, Trainings- und Retraining-Pipelines mit Prefect, MLflow Experiment Tracking und Model Registry sowie Dataset-Versionierung.

Für den operativen Betrieb wurden zeitabhängiges Feature Engineering, Forecast State Handling, Drift Detection, Forecast Performance Monitoring, Alerting bei Degradation und automatische Retraining Trigger umgesetzt.

Ergänzend enthält das Projekt einen Docker-basierten lokalen Entwicklungsstack, CI/CD mit GitHub Actions sowie Terraform- und GCP-basierte Cloud-Infrastruktur mit Deployment auf Google Cloud Run.

Das Projekt simuliert typische Produktionsprobleme: Daten verändern sich, Forecast-Fehler steigen, Performance degradiert und neue Ist-Werte werden zeitverzögert verfügbar. So wird aus einem statischen Forecasting-Modell ein kontrollierbares und kontinuierlich verbesserbares ML-System.

Demonstriert werden wiederverwendbare MLOps-Patterns: Model Serving, Model Registry, Forecast Monitoring, Drift Detection, Retraining, CI/CD und Cloud Deployment.

Tech Stack: Python, FastAPI, MLflow, Prefect, Docker, Terraform, GitHub Actions, GCP, scikit-learn, XGBoost, Pandas.

Der vollständige Code inklusive README, Demo-Simulation, Deployment-Dokumentation und Screenshots ist über mein verlinktes GitHub-Profil einsehbar.

- Entwicklung datengetriebener Simulationsmodelle für komplexe technische Systeme

- Aufbau reproduzierbarer Analyse-Workflows zur Verarbeitung, Validierung und Auswertung realer Messdaten

- Durchführung von Design of Experiments (DoE), Parameteroptimierung und Sensitivitätsanalysen

- Validierung des Modellverhaltens anhand realer Daten sowie Dokumentation von Modellannahmen und Limitationen

- Nutzung von Modellergebnissen zur Entscheidungsunterstützung, Systemoptimierung und Szenarioanalyse

- Arbeit mit großen Datensätzen und strukturierten Analysepipelines in mehreren Forschungsprojekten

Schwerpunkt: datengetriebene Modellierung, reproduzierbare Analysen, Modellvalidierung, Optimierung und Entscheidungsunterstützung.