Inhalt
- 01
EinführungDie Teilnehmer lernen die für AI relevanten Software-Architektur-Konzepte kennen, einschließlich der Fachsprache, möglicher Anwendungsfälle, Risiken, Stärken und Schwächen, sowie wann es besser ist, KI zu verwenden oder eher klassische Softwareentwicklung zu nutzen.
- 02
Compliance, Security und AlignmentDie Teilnehmer erhalten umfassenden Einblick in die rechtliche und regulatorische Landschaft von AI-Systemen, einschließlich EU AI Act Compliance, Datenschutzgesetze und Frameworks zur Risiko-Klassifizierung, die für Software-Architekten essentiell sind.
Sie werden technische Security-Strategien erlernen, um AI-Systemen vor Angriffen zu schützen, robuste Data Management-Praktiken zu implementieren und ordnungsgemäße Dokumentation für Rückverfolgbarkeit und Transparenz zu etablieren.
Schließlich entwickeln die Teilnehmer Fähigkeiten in ethischer AI-Governance, verstehen Safety-Prinzipien, Responsible AI Frameworks und wie man Compliance, Security und ethische Überlegungen in seine Architekturentscheidungen integriert.
- 03
ML-Systeme verstehenDie Teilnehmer lernen die Grundlagen von Machine Learning Project Lifecycles und Softwareentwicklungsprozessen für AI-Systeme. Sie erhalten essentielles Wissen über die Definition von ML Tasks, das Verstehen von Problem Requirements und die Spezifikation von Eingabe- und Ausgabedaten für ML-Systeme.
- 04
Explorative Daten-AnalyseDie Teilnehmer erkunden verschiedene Datentypen und typische ML-Probleme, während sie lernen, wie Data Scientists Datasets akquirieren, labeln und analysieren. Sie entdecken, wie man Bias in Daten identifiziert und verstehen verschiedene Data Storage-Optionen für ML-Projekte.
- 05
Datenbereinigung und -aufbereitungDie Teilnehmer entdecken Strategien für Data Aggregation, Cleansing, Transformation und Augmentation unter Verwendung moderner Data Engineering Tools. Sie lernen, wie Data Scientists effiziente Data Pipelines entwerfen und häufige Probleme mit der Datenqualität bewältigen, die ML-Systeme beeinträchtigen können.
- 06
Feature EngineeringDie Teilnehmer lernen, wie man Input-Daten für verschiedene KI-Algorithmen vorbereitet und verstehen Trade-offs zwischen verschiedenen Modell-Architekturen. Sie erkunden fortgeschrittene Techniken wie Transfer Learning und Fine-tuning zur Optimierung der Modell-Performance.
- 07
Modell-Training und Modell-SelektionDie Teilnehmer verstehen Hardware Requirements für's Trainieren von Modellen und lernen, Modellparameter, Metriken und Ergebnisse effektiv zu tracken. Sie beherrschen Model Evaluation-Techniken unter Berücksichtigung von Kosten, Nachhaltigkeit und Reproduzierbarkeit in der ML-Entwicklung.
- 08
POC (Proof of Concept) erstellenDie Teilnehmer lernen, geeignete Tools für die Erstellung von KI-System-Prototypen auszuwählen und Design Patterns für ML-Anwendungen anzuwenden. Sie erkunden User Interface Design-Prinzipien und verstehen Explainability-Anforderungen für KI-Systeme.
- 09
Deployment von ML-SystemenDie Teilnehmer erlernen CI/CD Pipelines, Deployment-Strategien und Plattform-Optionen für ML-Modelle, einschließlich SaaS- und Self-hosting-Lösungen. Sie lernen, ML-Modelle in bestehende Systeme zu integrieren, während sie Security-, Compliance- und Deployment-Architektur-Überlegungen berücksichtigen.
- 10
Betrieb (Operations) von ML-SystemenDie Teilnehmer verstehen Monitoring-Anforderungen, die spezifisch für AI-Systeme sind, und lernen, Performance-Metriken wie Latenz und Durchsatz zu messen. Sie erkunden Strategien für das Management von Skalierbarkeit, Robustheit, Verlässlichkeit und Fehlertoleranz in produktiven ML-Systemen.
- 11
ML-Systeme über die Zeit wartenDie Teilnehmer lernen, verschiedene Arten von Model Drift und laufende Data Quality-Probleme zu identifizieren und zu behandeln. Sie beherrschen Techniken zur Einbeziehung von User Feedback zur Modellverbesserung und zur langfristigen Aufrechterhaltung der Systemleistung.
- 12
Systemarchitekturen und Plattformen für Generative KI-SystemeDieser Kurs zeigt Teilnehmern, wie sie KI-Systeme, insbesondere Large Language Models (LLMs), in reale IT-Architekturen unter Verwendung praktischer Tools, Libraries und Interfaces integrieren.
Die Teilnehmer lernen grundlegende Konzepte über Generative AI und LLMs zusammen mit weiterführenden Techniken wie Prompt Engineering, Retrieval-Augmented Generation (RAG) und Agentic Workflows, um effektive AI-Anwendungen zu entwickeln.
Dieser Abschnitt behandelt auch essentielle praktische Überlegungen einschließlich System Evaluation, Cost Management, Quality Assurance und Design Patterns für die Bereitstellung von KI-Lösungen in Produktionsumgebungen.