Steinzeit war gestern! Wege der Cloud-nativen Evolution

Jahrzehnte lang wurden Enterprise-Applikationen mehr oder weniger erfolgreich monolithisch gebaut und betrieben. Leider können diese Systeme und deren Betriebsmodelle den hohen Anforderungen moderner Geschäftsmodelle nur noch schwer genügen. Kurze Release-Zyklen, Antifragilität und Hyperscale scheinen unerreichbar zu sein. Was also tun? Muss man all diese Systeme von Grund auf neu bauen? Das ist sicherlich kein besonders ökonomischer und sinnvoller Weg.

Dieser Vortrag zeigt mögliche Wege der Cloud-nativen Evolution von Bestandssystemen. Wir berichten aus der Praxis, wie wir zwei unserer Großkunden aus dem Versicherungs- und Automotive-Bereich dabei helfen, ihre komplexen Anwendungslandschaften schrittweise zu modernisieren und dabei Hunderte (!) von Bestandsanwendungen in kurzer Zeit industrialisiert in die Cloud zu heben. Wir zeigen unser Vorgehen zur exponentiellen Massenmigration, gehen auf die Anpassungen der Softwarearchitektur und -technik ein und berichten von den organisatorischen Veränderungen bei der Absicherung und dem Betrieb (die nicht immer einfach sind und waren).

Vorkenntnisse

* Technische und/oder fachliche Projekterfahrung beim Design, Entwicklung, Test oder dem Betrieb von klassischen IT-Systemen im Enterprise Umfeld.
* Grundwissen zu DevOps und Continuous Delivery.

Lernziele

* Erfolgreiche Vorgehensweisen bei der Analyse und Kategorisierung von Bestandssystemen.
* Erfahrungsbericht über die industrialisierte Migration von Bestandsanwendungen in die Cloud.
* Hilfreiche Architekturmuster und Technologien für die Cloud-native Evolution.

 

Agenda

ab 8.30 Uhr Registrierung und Begrüßungskaffee

9.30 Uhr Beginn

Intro

Machine Learning

  • Was ist Machine Learning?
  • Der typische ML Workflow
  • Was sind neuronale Netze?
  • Jupyter Lab mit Python
  • Eine Einführung in TensorFlow
  • Keras als High-Level API für TensorFlow

Praxisteil: Deep Learning Modelle mit Keras

  • Datengeneratoren
  • Datasets explorativ analysieren
  • Hold-Out vs. Cross Validation

11.00 - 11.15 Uhr: Kaffeepause

Praxisteil: Deep Learning Modelle mit Keras

  • Feed-Forward Netzarchitektur
  • Convolutional Neural Networks als Deep Learning Ansatz
  • Evaluation und Visualisierung des Modells

12.30 - 13.30 Uhr: Mittagspause

Pipelines mit Luigi

  • Anforderungen an produktive Modelle
  • Übersicht über Luigi und dessen Module
  • Bau eines Beispiel-Workflows

Praxisteil: Den Keras-Workflow mit Luigi implementieren

  • Anforderungen an produktive Modelle
  • Übersicht über Luigi und dessen Module
  • Bau eines Beispiel-Workflows

15.30 - 15.45 Uhr: Kaffeepause

Praxisteil: TensorFlow-Serving

  • Übersicht über TensorFlow-Serving
  • Ladestrategien konfigurieren
  • Deployment des Modells

ca. 17.00 Uhr: Ende

 

Referent

 

Mario-Leander Reimer Mario-Leander Reimer ist Cheftechnologe bei der QAware GmbH. Er ist Spezialist für den Entwurf und die Umsetzung von verteilten System- und Softwarearchitekturen auf Basis von Open-Source-Technologien. Er beschäftigt sich intensiv mit Technologien rund um den Cloud Native Stack und deren Einsatzmöglichkeiten im Unternehmensumfeld.

Platin-Sponsor

Gold-Sponsor

Silber-Sponsoren


CLC-Newsletter

Sie möchten über die Continuous Lifecycle
auf dem Laufenden gehalten werden?

 

Anmelden