Bewertungen 5,0
Bewertungen 5,0
AI-300 Operationalize machine learning and generative AI solutions
Produktive KI-Systeme entstehen nicht durch Training allein. AI-300 zeigt, welche Prozesse nötig sind, um Modelle stabil, sicher und skalierbar in den Unternehmenseinsatz zu bringen.
Zentrale Themen
- Methodisches Vorgehen beim Transfer von ML- und GenAI-Modellen in den Live-Betrieb
- Cloud-Operationen, Skalierungsstrategien und kontrollierte Deployments planen
- Modell-Lifecycles aktiv steuern und regelmäßig aktuell halten
- Überwachungskonzepte entwickeln und Drift-Erkennung in Echtzeit sicherstellen
- Compliance, Sicherheit und Governance als feste Bestandteile einplanen
- Systemintegration über APIs und nahtlose Anbindung verwirklichen
- Automatisierungsansätze für effizientere AI-Workflows nutzbar machen
Voraussetzung
Grundkenntnisse in Datenprozessen, KI-Grundprinzipien und IT-Infrastrukturen erleichtern den Einstieg.
Zielgruppe
Passend für Professionals aus AI Engineering, Data, Cloud und Software Engineering, die ihre KI-Projekte über Trainingsgrenzen hinaus bis in den stabilen Produktivbetrieb führen möchten.
Operationalisierung ist der Schlüssel – sie wandelt Modelle in messbaren Unternehmensnutzen um.
Kursinhalte
Einstieg in Azure Machine Learning – Grundlagen und erste Modelle
- Datenvorbereitung und Feature Engineering strukturiert einrichten
- Automatisierte ML-Experimente konfigurieren und durchführen
- Modellergebnisse analysieren und systematisch vergleichen
- MLflow zur Nachverfolgung von Trainierläufen in Notebooks nutzen
- Modelltraining in Notebooks aufsetzen und kontrolliert verwalten
- Qualität und Fairness von Modellen mit dem Responsible AI Dashboard prüfen
Hyperparameter optimieren und Sweep-Jobs in Azure ML ausführen
- Hyperparameter-Suchräume gezielt festlegen und konfigurieren
- Geeignete Sampling-Strategien auswählen und anpassen
- Frühzeitigen Trainingsabbruch für schnelleres Tuning einrichten
- Sweep-Jobs starten und Ergebnisse systematisch auswerten
Pipeline-Strukturen in Azure Machine Learning entwickeln
- Pipeline-Komponenten definieren und miteinander verknüpfen
- Eine vollständige ML-Pipeline aus Einzelbausteinen zusammenführen
- Pipeline-Aufträge starten, überwachen und auswerten
Automatisiertes Modelltraining mit GitHub Actions realisieren
- Anforderungen und Rahmenbedingungen des Geschäftsproblems erfassen
- Passende Lösungsarchitektur für den ML-Anwendungsfall einordnen
- GitHub Actions für automatisierte Trainingsprozesse konfigurieren und einsetzen
Feature-Workflows mit GitHub Actions steuern und automatisieren
- Ausgangssituation und Ziele des Entwicklungsvorhabens klären
- Die Lösungsarchitektur für feature-basierte Entwicklung durchdenken
- GitHub-Actions-Workflows gezielt auslösen und kontrollieren
Deployment-Umgebungen in GitHub Actions einrichten und verwalten
- Projektkontext und Anforderungen an das Deployment verstehen
- Architektur für umgebungsbasierte Deployments erkunden und einordnen
- Deployment-Umgebungen in GitHub Actions konfigurieren und betreiben
Modelle strukturiert mit GitHub Actions deployen und in Betrieb nehmen
- Deployment-Ziele und technischen Kontext erfassen
- Die Bereitstellungsarchitektur analysieren und einordnen
- Modell-Deployment mit GitHub Actions schrittweise realisieren und aktivieren
GenAIOps: Planung und Grundlagen generativer KI-Lösungen
- Einsatzszenarien für GenAIOps in der Praxis identifizieren
- Geeignete generative KI-Modelle für den jeweiligen Kontext auswählen
- Den Entwicklungs- und Betriebszyklus einer LLM-Anwendung verstehen
- Frameworks und Werkzeuge für GenAIOps im Überblick kennenlernen
Versionierung und Deployment von Prompts für Foundry-Agenten
- Prompts mit Versionskontrolle gezielt verwalten
- Foundry-Agenten und ihre Verbindung zur Prompt-Versionierung kennenlernen
- Prompts in GitHub-Repositorys strukturiert ablegen und pflegen
- Sichere und reproduzierbare Deployment-Abläufe für Prompts etablieren
Evaluierung und gezielte Verbesserung von KI-Agenten
- Bewertungsansätze für KI-Agenten strukturiert planen und umsetzen
- Git-gestützte Optimierungsexperimente durchführen
- Rubrikbasierte Kriterien für konsistente Qualitätsprüfung entwickeln und anwenden
KI-Qualitätssicherung automatisieren mit Foundry und GitHub Actions
- Bedeutung und Vorteile automatisierter Qualitätsprüfung verstehen
- Bewertungen an menschlichen Maßstäben ausrichten und kalibrieren
- Bewertungsdatensätze aufbauen und systematisch pflegen
- Batch-Bewertungen mit Python skripten und skalieren
- Automatisierte Bewertungsläufe in GitHub Actions einbetten
Monitoring für generative KI-Anwendungen aufbauen
- Monitoring-Ziele und Anforderungen für KI-Anwendungen bestimmen
- Relevante Kenngrößen für stabile KI-Systeme auswählen
- Azure-Monitoring-Optionen im Kontext generativer KI kennenlernen
- Überwachungsfunktionen in die Anwendung einbinden
- Monitoring-Ergebnisse lesen, einordnen und handlungsleitend nutzen
Tracing-Strategien für generative KI-Anwendungen implementieren
- Mehrwert und Einsatzmöglichkeiten von Tracing in KI-Systemen einordnen
- Relevante Tracing-Punkte in generativen Anwendungen festlegen
- Tracing systematisch in generative KI-Anwendungen einbauen
- Komplexe KI-Workflows mithilfe erweiterter Tracing-Muster gezielt debuggen
- Trace-Daten auslesen, auswerten und für Optimierungsentscheidungen nutzen
Jetzt kostenlos beraten lassen
Unsere Fördermaßnahmen gelten ausschließlich für Teilnehmende mit Wohn- oder Arbeitssitz in Deutschland.
Eine Förderung außerhalb Deutschlands ist nicht möglich.
Für Berufseinsteiger, Arbeitsuchende, Quereinsteiger, Startups, Berufserfahrene, Aufsteiger, Spezialisten …
Was lernen Teilnehmende im AI-300 Training?
- AI-300 vermittelt, wie ML- und GenAI-Lösungen zuverlässig in den Produktivbetrieb übergeführt, überwacht und skaliert werden.
Weshalb ist die Operationalisierung von KI heute so wichtig?
- Qualifizierte Fachkräfte, die KI-Modelle sicher in produktive Systeme überführen können, sind stark gefragt – das Know-how aus AI-300 ist entsprechend wertvoll.
Wer profitiert vom AI-300 Training?
- AI-300 richtet sich an Data Scientists, AI Engineers, Cloud-Spezialistinnen und IT-Operations-Fachkräfte, die KI-Systeme produktionsreif aufbauen wollen.
Welche konkreten Fähigkeiten vermittelt AI-300?
- Schwerpunkte sind Deployment-Prozesse, Monitoring-Strategien, Modelloptimierung, Governance und der praktische Umgang mit generativer KI in produktiven Umgebungen.
Warum reicht ein trainiertes Modell allein nicht aus?
- Erst der stabile Betrieb mit Skalierung, Überwachung und kontrolliertem Lifecycle-Management macht ein Modell zum echten Mehrwert für Unternehmen.
Welche Risiken im KI-Betrieb werden in AI-300 gezielt behandelt?
- Modell-Drift, Qualitätsschwankungen, Sicherheitslücken und unkontrollierte GenAI-Ausgaben werden erkannt, analysiert und durch geeignete Maßnahmen vermieden.
Welche Karrieremöglichkeiten eröffnet AI-300?
- Das Wissen aus AI-300 ist in Bereichen wie MLOps, AI Engineering und Cloud AI besonders gefragt und stärkt die eigene Position auf dem Arbeitsmarkt.
Deckt AI-300 auch professionellen GenAI-Einsatz ab?
- Ja – mit Fokus auf LLMs, GenAIOps und skalierbare AI-Anwendungen liefert AI-300 praxisnahes Know-how für den Unternehmenseinsatz generativer KI.
Dein persönlicher Weg zur passenden Weiterbildung – wir beraten Dich individuell
Unsere erfahrenen Bildungsberater:innen begleiten Dich von der ersten Frage bis zum Start Deiner Weiterbildung.
