Operationalisieren von maschinellem Lernen und generativen KI-Lösungen (AI-300) (Inhouse)

• Einführung in MLOps und GenAIOps
  • Grundlagen von MLOps und AI-Lifecycle
  • Unterschied zwischen ML- und GenAI-Workflows
  • Einsatz von Azure ML und AI Foundry
  Aufbau von ML- und AI-Pipelines
  • Datenverarbeitung und Modelltraining
  • Erstellung automatisierter Pipelines
  • Versionierung von Daten und Modellen
  Operationalisierung von KI-Modellen
  • Deployment von ML- und GenAI-Modellen
  • Nutzung von Azure-Endpunkten
  • Skalierung von AI-Services
  Monitoring und Optimierung
  • Überwachung von Modellleistung
  • Drift-Erkennung (Data / Model Drift)
  • Performance-Optimierung
  Automatisierung und CI/CD
  • Integration von CI/CD-Prozessen
  • Automatisierte Updates von Modellen
  • Betrieb von AI in produktiven Umgebungen
  Governance und Responsible AI
  • Sicherheits- und Compliance-Aspekte
  • Responsible AI (Ethik, Transparenz)
  • Kontrolle von generativen Modellen

Methode

• Trainer-geführte Schulung mit hohem Praxisanteil
• Hands-on Labs in Azure-Umgebungen
• Kombination aus Theorie, Live-Demos und eigenständigen Aufgaben