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
Datenplattformen und generative KI wachsen zunehmend zusammen und prägen moderne IT-Architekturen. Azure Databricks schafft dafür eine leistungsfähige Basis, auf der datengetriebene KI-Anwendungen effizient entwickelt und betrieben werden können.
Zentrale Themen
- Architektur generativer KI-Lösungen in Azure.
- Skalierbare Datenverarbeitung mit Azure Databricks.
- Integration und Nutzung von Large Language Models.
- Prompt-Design, Modellanpassung und Bewertung.
- MLOps, Sicherheit und Governance im KI-Umfeld.
Voraussetzung
Erwartet werden Grundkenntnisse in Cloud-Technologien, Datenverarbeitung oder Softwareentwicklung sowie ein grundlegendes Verständnis künstlicher Intelligenz.
Zielgruppe
Ausgerichtet auf Fachkräfte aus Data Engineering, Data Science, KI-Entwicklung und Cloud-Architektur.
Der Fokus liegt auf stabilen, skalierbaren und verantwortungsvollen KI-Lösungen, die sich nahtlos in bestehende Cloud- und Datenlandschaften integrieren lassen.
- 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
