DP-3028 Implement Generative AI engineering with Azure Databricks
Preis Netto: € MwSt.: €
Preis Preis auf Anfrage
Dauer
1 Tag
Standort
Kurssprache englisch
Trainingslösung Online Live
Generative KI trifft modernste Datenarchitektur – die perfekte Kombination für zukunftsorientierte Unternehmen. Mit Azure Databricks entsteht eine leistungsstarke Umgebung, in der Daten, Machine Learning und KI-Modelle effizient zusammenarbeiten. Der Fokus liegt auf praxisnahen Anwendungen, Skalierbarkeit und smarter Automatisierung, um Innovation nachhaltig voranzutreiben.
Themenübersicht:
- Aufbau und Verwaltung von Azure Databricks-Workspaces.
- Integration von Data Lake, Machine Learning und KI-Tools.
- Entwicklung, Training und Deployment generativer Modelle.
- Nutzung von OpenAI- und Azure-ML-Services in Databricks.
- Automatisierung und Skalierung von KI-Pipelines.
- Sicherheit, Compliance und Kostenoptimierung in der Cloud.
- Best Practices für Generative AI Engineering in Unternehmen.
Ein idealer Weg, um technologische Innovation mit messbarem Geschäftswert zu verbinden – intelligent, effizient und auf die Zukunft der KI-gestützten Datenplattformen ausgerichtet.
- Prinzipien generativer KI kennenlernen
- Funktionsweise großer Sprachmodelle (LLMs) verstehen
- Zentrale Bausteine von LLM-Anwendungen erkennen
- LLMs gezielt für NLP-Aufgaben einsetzen
- Zentrale Grundlagen und Struktur eines RAG-Workflows verstehen
- Datensätze gezielt für RAG-Prozesse vorbereiten
- Relevante Informationen per Vektorsuche identifizieren
- Ergebnisse effizient prüfen und optimieren
- Grundlagen mehrstufiger schlussfolgernder Systeme
- LangChain erkunden
- LlamaIndex erkunden
- Haystack erkunden
- DSPy-Framework erkunden
- Grundlagen der Modellanpassung
- Aufbereitung und Strukturierung von Trainingsdaten
- Anpassung und Feinjustierung von Azure OpenAI-Modellen
- LLM-Evaluierung im Detail erkunden
- Analyse und Bewertung von LLMs und KI-Systemen
- Nutzung gängiger Metriken zur LLM-Bewertung
- Einsatz von LLMs als Bewertungswerkzeug erläutern
- Grundlagen verantwortungsvoller KI
- Risiken erkennen
- Risiken mindern
- Sicherheits-Tools einsetzen
- Wandel von klassischem MLOps zu LLMOps erkennen
- Grundlagen moderner Modellbereitstellung verstehen
- MLflow gezielt für LLMOps nutzen
- Unity Catalog für sichere Modellverwaltung einsetzen
