Fit in der Softwarearchitektur für klassische Systeme ohne KI? Na dann auf geht's, die Welt hat sich verändert! Systeme lernen, passen sich an und entwickeln sich weiter.
Du willst in Deiner Rolle relevant bleiben? Dann ist dies Deine neue Mission: Architekt:in von KI-basierten Systemen zu werden — um für neue Stakeholder, neue Strukturen und neue Artefakte zu entwerfen.
Du kannst Deine ganze Erfahrung einbringen und gleichzeitig alles Neue lernen. Nicht nur Software bauen, die funktioniert — sondern Systeme, die denken.
Was Du schon weißt
Deine Aufgaben als Softwarearchitekt:in waren bisher folgende (und bleiben es auch im Zeitalter von KI):
- Anforderungen klären helfen
- Fachliche Architekturen mit Domänenexperten modellieren
- Strukturen und Querschnittskonzepte entwerfen
- Architektur kommunizieren
- Die Umsetzung begleiten
- Architektur analysieren und bewerten
- Dabei ständig lernen
Wie sich KI jetzt auf Deine Aufgaben auswirkt
Ein KI-Projekt ist im Prinzip auch nichts anderes als ein Softwareprojekt, oder? Naja, ein paar Unterschiede gibt es schon:
Du arbeitest für neue Stakeholder
- Data Scientists
- Ingenieure für Machine Learning
- MLOps-Ingenieure
- Ethiker
- ...und mehr!
Du sollst zwei Systeme entwerfen statt eins
- eins für die Trainingszeit
- eins für die Inferenzzeit
Du kriegst drei Artefakte anstatt eins
- den Code (wie bisher)
- die Daten (neu)
- das Modell (neu)
Du musst eine Art Sherlock Holmes für Daten werden
Klassische Systeme funktionieren ein für alle Mal, wenn man nicht daran herumschraubt. Wenn man etwas kaputtmacht, brechen die Tests – oder wenn man zuwenig Tests hat, stürzt das System wenigstens laut und deutlich ab!
KI-Systeme hingegen verändern sich ganz still und leise ohne abzustürzen oder Tests zu brechen. Sie liefern einfach nur schlechtere Ergebnisse. Das verlangt einen anderen, wachsameren Mindset von Dir.
Was Dich im Workshop erwartet
In diesem Advanced-Level-Modul erlernst Du die Entwicklung moderner Softwarearchitekturen für KI-Systeme. Es geht darum, wie Du und Deine Teams mit durchdachten Softwarearchitekturen leistungsfähige, skalierbare und gut integrierbare KI-Lösungen entwickeln können.
Du erarbeitest Dir im Team anhand einer praxisnahen Fallstudie die wesentlichen Architekturprinzipien für KI-Systeme und wendest diese direkt auf den Entwurf und die spätere Implementierung von Machine-Learning- und Generative-AI-Systemen an. Danach gelingt Dir im Alltag die nahtlose Integration von KI-Komponenten in bestehende Softwaresysteme deutlich besser.
Das Training deckt sowohl "normale" Machine-Learning-Systeme als auch Generative KI mit LLMs ab und zeigt Dir, wie Du KI erfolgreich in klassische Softwaresysteme integrieren kannst. Du erfährst, wie solche hybriden Systeme architektonisch gestaltet sein müssen, um Skalierbarkeit, Wartbarkeit und Erweiterbarkeit sicherzustellen.
Zertifizierung
Akkreditiertes Training als Vorbereitung für den iSAQB Certified Professional for Software Architecture, Advanced Level (CPSA-A®️)
Das Seminar deckt SWARC4AI, einen Baustein für die Bereiche „Technische Kompetenz“ und „Methodische Kompetenz“ des CPSA-Advanced Curriculums ab und ist entsprechend durch den iSAQB®️ akkreditiert.
Wenn Du die Zertifizierung zum CPSA-A anstrebst, kannst Du Dir mit der Teilnahme 20 Credit Points technisch und 10 Credit Points methodisch anrechnen lassen.
Zielgruppe
Zielgruppe sind Softwarearchitekten und Entwickler, die Systeme mit KI entwerfen und/oder weiterentwickeln.
Du solltest Erfahrungen in IT-Projekten oder in der Produktentwicklung gesammelt haben; Kenntnisse in einer bestimmten Technologie sind zum Verständnis und zum Mitarbeiten nicht erforderlich. Python-Kenntnisse sind hilfreich, zumindest Python-Code lesen zu können ist ein Vorteil.
Der Kurs ist gut für Dich, wenn Du Architektur im Prinzip schon kannst und jetzt neugierig bist, was Data Science, Machine Learning und Generative KI von Dir für Veränderungen verlangen werden.
Der Kurs ist wahrscheinlich eher nichts für Dich, wenn Du bereits Data Scientist:in oder ML-Expert:in bist und noch nichts über Softwarearchitektur weißt. Dann werden Dir die KI-Themen (zu) sehr bekannt vorkommen. In dem Fall nimm lieber zuerst den Weg über den CPSA-F-Kurs.
Inhalt
Einführung
Die 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.
Compliance, Security und Alignment
Die 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.
ML-Systeme verstehen
Die 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.
Explorative Daten-Analyse
Die 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.
Datenbereinigung und -aufbereitung
Die 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.
Feature Engineering
Die 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.
Modell-Training und Modell-Selektion
Die 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.
POC (Proof of Concept) erstellen
Die 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.
Deployment von ML-Systemen
Die 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.
Betrieb (Operations) von ML-Systemen
Die 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.
ML-Systeme über die Zeit warten
Die 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.
Systemarchitekturen und Plattformen für Generative KI-Systeme
Dieser 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.
Voraussetzungen
Du solltest Erfahrungen in IT-Projekten oder in der Produktentwicklung gesammelt haben; Kenntnisse in einer bestimmten Technologie sind zum Verständnis und zum Mitarbeiten nicht erforderlich. Python-Kenntnisse sind hilfreich, Du solltest Python-Code also wenigstens lesen können.
Du solltest einen Computer haben, auf dem eine Entwicklungsumgebung läuft, mit der Du Jupyter Notebooks öffnen und die Codezellen darin ausführen kannst. Es ist hilfreich, wenn Du die Musterlösung, die im Trainingsmaterial enthalten ist, vor dem Training bereits installiert und lauffähig hast.
Trainingsmaterial
Du bekommst...
- eine praktische Fallstudie für ein KI-basiertes System
- 10 praktische Entwurfs-Übungen an der Fallstudie, die Du in einer Kleingruppe mit 3-4 Personen bearbeitest
- eine Musterlösung für eine andere Fallstudie (Rohdaten, aufgeräumte Daten, trainiertes Modell, Code, alles integriert in eine lauffähige Webanwendung mit Python und TypeScript, deploymentfähig in Docker-Containern)
- ein PDF mit den Slides aus dem Training
- mein Buch zu SWARC4AI mit fast 500 Seiten, als PDF und als EPUB für Deinen eBook-Reader
Das Training gibt es wahlweise in Englisch oder Deutsch. Die Materialien sind immer in der Sprache des Trainings gehalten.
Durchführungshinweise
Über eine ausgewogene Mischung von Vortrag und praktischen Übungen lernst Du mit meiner Anleitung in kleinen Gruppen, wie Du KI-haltige Systeme entwerfen kannst.
Ihr wählt Euch eine von 10 Fallstudien aus, die Ihr bearbeiten möchtet und entwerft dafür ein KI-haltiges System.
Das Training gibt es wahlweise in Englisch oder Deutsch. Die Materialien sind immer in der Sprache des Trainings gehalten.
Die maximale Teilnehmerzahl ist 12.
Online/Remote-Variante
Das Training gibt es auch online, mit Zoom (wenn es sein muss, auch Microsoft Teams) als Videoplattform sowie Miro als Online-Whiteboard. Ein voll eingerichtetes Videostudio mit professioneller Sende-Hardware habe ich dafür aufgebaut.
Anmeldung
Du kannst das SWARC4AI-Training auf den Websites meiner kompetenten Partner buchen:
- für Deutschland und Österreich: Albion Academy
- für die Schweiz: tecnovy
Auch "in-house" ist das Training buchbar. Sprich mich in dem Fall direkt an, telefonisch unter +49-170-7728545, oder per E-Mail unter mbohlen@mbohlen.de.
Kommentare