AI-300 Operationalize machine learning and generative AI solutions

Preis
Netto €
MwSt. €

Preis
Preis auf Anfrage

Dauer
4 Tage

Für Unternehmen und Arbeitssuchende:
dieser Kurs ist zu 100 % förderfähig!
 

Standort

Kurssprache
Englisch

Trainingslösungen
Online Live

Jetzt Beratung vereinbaren Als Favorit speichern Als PDF drucken/speichern

Von intelligenten Assistenzsystemen bis zu automatisierten Entscheidungsprozessen: Generative KI und Machine Learning prägen moderne digitale Geschäftsmodelle. Der entscheidende Erfolgsfaktor liegt in der professionellen Operationalisierung dieser Technologien.

Zentrale Themen

  • Produktiver Einsatz von ML- und GenAI-Modellen
  • Deployment, Skalierung und Cloud Operations
  • Lifecycle-Management und Modellwartung
  • Monitoring, Drift und Qualitätskontrolle
  • Sicherheit, Compliance und Governance
  • Schnittstellen, APIs und Systemintegration
  • Effizienzsteigerung durch Automatisierung

Voraussetzung
Solides technisches Verständnis für Datenprozesse, KI-Grundlagen und moderne IT-Infrastrukturen.

Zielgruppe
Fachkräfte aus AI, Data, IT Operations, Cloud und Software Engineering.

Wer intelligente Systeme sicher in produktive Prozesse überführt, schafft direkte Relevanz für Innovation, Effizienz und Wettbewerbsfähigkeit. Damit entsteht eine Kompetenzbasis, die in modernen Unternehmen nachhaltig gefragt bleibt.

Als PDF drucken/speichern
Kursinhalte
  • Daten vorverarbeiten und Merkmalserstellung konfigurieren
  • Ein automatisiertes Machine-Learning-Experiment ausführen
  • Modelle bewerten und vergleichen
  • MLflow für die Modellverfolgung in Notebooks konfigurieren
  • Modelle in Notebooks trainieren und verfolgen
  • Modelle mit dem Responsible-AI-Dashboard bewerten
  • Suchraum definieren
  • Sampling-Methode konfigurieren
  • Vorzeitigen Abbruch konfigurieren
  • Sweep-Job für das Hyperparameter-Tuning verwenden
  • Komponenten erstellen
  • Eine Pipeline erstellen
  • Einen Pipeline-Auftrag ausführen
  • Das geschäftliche Problem verstehen
  • Die Lösungsarchitektur erkunden
  • GitHub Actions für das Modelltraining nutzen
  • Das geschäftliche Problem verstehen
  • Die Lösungsarchitektur untersuchen
  • Einen Workflow auslösen
  • Das geschäftliche Problem verstehen
  • Die Lösungsarchitektur erkunden
  • Umgebungen einrichten
  • Das geschäftliche Problem verstehen
  • Die Lösungsarchitektur erkunden
  • Modellbereitstellung
  • Anwendungsfälle für GenAIOps erkunden
  • Das richtige generative KI-Modell auswählen
  • Den Entwicklungszyklus einer Sprachmodell-Anwendung verstehen
  • Verfügbare Tools und Frameworks zur Implementierung von GenAIOps erkunden
  • Versionskontrolle auf Prompts anwenden
  • Microsoft Foundry-Agenten und die Versionsverwaltung von Prompts verstehen
  • Prompts in GitHub-Repositorys organisieren
  • Sichere Workflows für die Bereitstellung von Prompts entwickeln
  • Bewertungsexperimente entwerfen
  • Git-basierte Arbeitsabläufe auf Optimierungsexperimente anwenden
  • Bewertungsrubriken für eine einheitliche Bewertung anwenden
  • Warum automatisierte Bewertungen wichtig sind
  • Bewertungen an menschlichen Kriterien ausrichten
  • Bewertungsdatensätze erstellen
  • Batch-Bewertungen mit Python implementieren
  • Bewertungen in GitHub Actions integrieren
  • Warum ist eine Überwachung erforderlich?
  • Wichtige zu überwachende Kennzahlen verstehen
  • Möglichkeiten zur Überwachung mit Azure erkunden
  • Überwachung in die App integrieren
  • Überwachungsergebnisse interpretieren
  • Warum ist Tracing sinnvoll?
  • Ermitteln, was in generativen KI-Anwendungen getraced werden soll
  • Tracing in generativen KI-Anwendungen implementieren
  • Komplexe Workflows mit fortgeschrittenen Tracing-Mustern debuggen
  • Fundierte Entscheidungen anhand der Analyse von Trace-Daten treffen

Häufig gestellte Fragen

  • Der Kurs zeigt, wie Machine-Learning- und Generative-AI-Lösungen produktiv eingesetzt, überwacht und zuverlässig skaliert werden.
  • Unternehmen investieren stark in KI-gestützte Prozesse und benötigen Fachwissen, um Modelle sicher und effizient in den Betrieb zu bringen.
  • Ideal für Fachkräfte in Data, AI, Cloud und IT Operations, die praxisnah produktive KI-Workflows aufbauen möchten.
  • Im Fokus stehen Deployment, Monitoring, Modelloptimierung, Governance und der sichere Einsatz generativer KI in realen Szenarien.
  • Ein gutes Modell allein reicht nicht – erst stabiler Betrieb, Skalierung und Kontrolle schaffen echten geschäftlichen Mehrwert.
  • Der Kurs hilft, typische Fehler wie Modell-Drift, Performance-Probleme, Sicherheitslücken und unkontrollierte AI-Ausgaben zu vermeiden.
  • Das Know-how ist stark nachgefragt und verbessert die Chancen in Bereichen wie AI Engineering, MLOps und Cloud AI deutlich.
  • Ja, besonders für den professionellen Einsatz von LLMs, Automatisierung und skalierbaren AI-Anwendungen im Unternehmensumfeld.
Berlin
Bremen
Dortmund
Düsseldorf
Frankfurt
Hamburg
Hannover
Köln
Leipzig
München
Nürnberg
Stuttgart

Hast du weitere Fragen? Bitte kontaktiere uns.