ML-modellen Uitrollen in Financiële Omgevingen
Cloud machine learning verandert hoe financiële teams beslissingen nemen - dit programma legt de technische en praktische basis.
Programma-inhoud
Programmaopbouw
- Module 1: Wat is MLOps en waarom is het anders in finance
- Module 2: CI/CD voor ML-pipelines met Azure DevOps
- Module 3: Modelbeheer en versiebeheer met MLflow
- Module 4: Monitoring en detectie van model drift
- Module 5: Datakwaliteitsbewaking in productie
- Module 6: Model governance en auditdocumentatie
- Module 7: Model risk management framework (EBA-richtlijnen)
- Module 8: Praktijkcase: uitrollen van een kredietmodel in een gesimuleerde productieomgeving
Deelnemers werken in een gesimuleerde bankinfrastructuur op Azure gedurende het volledige programma.
Technisch lead
Uitgebreide beschrijving
Een werkend ML-model bouwen is één ding. Het veilig en betrouwbaar uitrollen in een financiële productieomgeving is een ander verhaal. Dit programma richt zich op dat tweede deel, ook wel MLOps genoemd.
Waarom dit een apart vakgebied is
Financiële instellingen werken met strenge eisen rond auditbaarheid, dataprivacy en modelrisico. Een model dat goed presteert in een testomgeving kan in productie anders gedragen als de inputdata verschuift. Dat fenomeen, model drift, is een van de centrale themas in dit programma.
Wat je concreet leert
Je leert pipelines opzetten met MLflow en Azure DevOps, modelprestaties monitoren via dashboards en versiebeheer toepassen op modellen en data. We behandelen ook hoe je modelgedrag documenteert voor interne auditprocessen.
Er is een aparte module over model governance, inclusief het opstellen van een model risk management framework conform de richtlijnen van de Europese Bankautoriteit. Dat is relevante kennis voor iedereen die ML-modellen inzet in een gereguleerde omgeving.
Doelgroep
Dit programma is bedoeld voor data engineers, ML engineers en technische finance-professionals met ervaring in het bouwen van modellen die een stap verder willen in productionalisering.