-
MLflow Autologging und Zero-Config Tracking
Ein praktischer Leitfaden zu MLflow Autologging: One-Line Experiment Tracking, Framework-Integrationen, GridSearchCV Child Runs und Produktions-Leitplanken.
6 Min. Lesezeit -
Reproduzierbares Experiment-Tracking mit MLflow und UV
Wie man MLflow Experiment Tracking reproduzierbar macht, indem Runs, Metriken, Modellartefakte, Signaturen und Registry-Versionen mit einem UV Lockfile verbunden werden.
7 Min. Lesezeit -
GenAI-Evaluation mit mlflow.genai.evaluate(): Jenseits von Accuracy
Wie man RAG- und agentische GenAI-Systeme mit MLflow 3.x, mlflow.genai.evaluate(), LLM-as-a-Judge-Scorern, eigenen trace-bewussten Metriken und Prompt-A/B-Tests bewertet.
10 Min. Lesezeit -
Generative AI mit MLflow 3.x produktionsreif machen: Tracing, Evaluation und Prompt-Optimierung
Wie MLflow 3.x produktive GenAI-Systeme mit OpenTelemetry-kompatiblen Traces, trace-bewusster Evaluation, RAG-Judges, Custom Scorers und Prompt Registry Workflows unterstuetzt.
10 Min. Lesezeit -
Sentinel Health: Wie ich mit spec-driven Entwicklung den Google Build with AI Buildathon Southern Africa 2026 gewonnen habe
Eine praxisnahe Rueckschau auf den Buildathon-Prototyp Sentinel Health: spec-driven Entwicklung, PRD, KI-gestuetzte Umsetzung und ein Backend-/Frontend-Cloud-MVP.
7 Min. Lesezeit -
Designing Data-Intensive Applications, ehrlich rezensiert
Eine ehrliche Rezension von Designing Data-Intensive Applications: was fuer Datenpipelines, ML-Systeme, Datenbanken, verteilte Systeme und Produktionsdesign weiterhin zaehlt.
6 Min. Lesezeit