Gen AI: MLOps & DevOps für KI-Projekte

Wer teilnehmen sollte:

Diese Schulung richtet sich an ML- und DevOps-Professionals, die produktionsreife AISysteme betreiben oder vorbereiten möchten. Voraussetzung sind solide Kenntnisse in Python sowie praktische Erfahrung mit ML-Workflows und APIs. Erfahrung mit Containerisierung (Docker) oder Cloud-Diensten ist von Vorteil, aber nicht zwingend notwendig.

Zielgruppe:

Machine Learning Engineers, DevOps-Spezialist:innen, Softwarearchitekt:innen und AI Product Owner, die skalierbare, wartbare und produktionsreife KI-Systeme bauen und betreiben möchten. Besonders relevant für alle, die den Übergang von experimentellen MLModellen zu robusten, kontinuierlich überwachten Services gestalten wollen.

Schulungsziel:

Nach Abschluss dieser Schulung beherrschen die Teilnehmenden moderne MLOps-Techniken, um KI-Projekte effizient zu verwalten, automatisiert zu deployen und im Betrieb kontinuierlich zu überwachen. Sie kennen Best Practices zur Versionierung, Validierung und Governance von Modellen, wissen um die Bedeutung von CI/CD in der KI-Entwicklung und können Tools wie MLflow, DVC, FastAPI und Kubernetes sicher einsetzen. Ein besonderer Fokus liegt auf dem Zusammenspiel von LLM-basierten Pipelines und DevOps-Prinzipien.

Schulungsbeschreibung:

Diese Schulung vermittelt, wie aus Machine-Learning-Prototypen produktionsreife KISysteme werden – zuverlässig, skalierbar und wiederholbar. Im Zentrum stehen CI/CDPrinzipien für ML, automatisiertes Experiment-Tracking, Model Deployment, Monitoring sowie Data & Model Lineage. Zudem wird aufgezeigt, wie Large Language Models (LLMs) und generative KI in diesen Workflow integriert werden können – mit Fokus auf API-Serving, Governance und Observability.

Im Verlauf der vier Tage bauen die Teilnehmenden eigene End-to-End-Pipelines, deployen Modelle mit FastAPI oder Triton Inference Server, verfolgen Experimente mit MLflow und setzen Feature Stores sowie Vektordatenbanken ein. Zudem werden Strategien zur Erkennung von Concept Drift, Modellalterung und Prompt-Degradation vorgestellt.

Abgeschlossen wird die Schulung mit einem Teamprojekt, in dem eine vollständige MLOps-Pipeline entwickelt, bereitgestellt und über ein Dashboard monitorbar gemacht wird.