Kursbeschreibung
Die viertägige AI-300 Schulung führt dich von einzelnen Experimenten zu versionierten und überwachten KI-Services auf Azure. Du verbindest Daten, Code, Modelle und Konfigurationen zu reproduzierbaren Abläufen, steuerst Releases über Staging und Produktion und bereitest Rollbacks für fehlerhafte Bereitstellungen vor. Azure Machine Learning deckt den Lifecycle klassischer Machine-Learning-Modelle ab. Microsoft Foundry ergänzt Prompts, Modellvarianten, Evaluationen und Agenten für generative KI-Anwendungen.
Im Training setzt du Quality-Gates für CI/CD-Pipelines um, vergleichst Evaluationsergebnisse und definierst Metriken für Latenz, Fehlerquoten, Drift und Kosten. GitHub Actions, Azure CLI und Bicep verbinden Infrastruktur, Tests und Deployment. So erkennt dein Team Probleme früher und kann Änderungen an Modellen oder Prompts nachvollziehbar freigeben, statt Produktionsfehler erst nach dem Release zu untersuchen.
Die Schulung gehört zum Themenbereich Microsoft Azure KI-Schulungen. Eine zusätzliche Vertiefung für klassische Modell-Pipelines bietet das MLOps Training auf Azure. Du arbeitest in einer kleinen Gruppe mit einem Trainer aus der Praxis und erhältst nach dem Training ein Zertifikat. Wähle jetzt die passende Durchführung für dein AI-300 Training aus.
Die wichtigsten Themen im Überblick
- Versionierte ML- und GenAI-Workflows
- Automatisierte CI/CD-Pipelines
- Freigaben mit Quality-Gates
- Monitoring für KI-Services
- Rollback und Lifecycle-Governance
Zielgruppe
- Data Scientists mit Erfahrung in Azure und Machine Learning
- Machine-Learning-Engineers für produktive Modell-Lifecycles
- DevOps-Teams und Plattformteams mit Verantwortung für KI-Services
- Fachkräfte für Azure-Architektur und KI-Infrastruktur
- Teams beim Übergang vom KI-Prototyp zum Produktivbetrieb
Voraussetzung für die Schulung
- Grundkenntnisse in Azure und Cloud-Ressourcen, etwa aus dem AI-900 Training
- Python-Erfahrung für Machine-Learning-Workflows
- Verständnis zentraler Machine-Learning-Konzepte, etwa aus dem DP-100 Training
- Grundlagen in Git, CI/CD und Kommandozeilen-Tools
- Erste Kenntnisse in Infrastructure as Code und Bicep
Kursinhalte
KI-Lifecycle und Betriebsmodelle
- Experiment, Staging und Produktivbetrieb
- Betriebsmodelle für KI-Services
- Teamübergaben und Verantwortlichkeiten
- Risiken beim PoC-Transfer
KI-Infrastruktur auf Azure
- Azure Machine Learning Workspaces
- Compute, Environments und Registries
- Identitäten, Rollen und Zugriffe
- Infrastructure as Code mit Bicep
MLOps mit Azure Machine Learning
- Daten-, Code- und Modellversionierung
- Experiment-Tracking und Run-Metadaten
- Model Registry und Release-Kandidaten
- Staging- und Rollback-Strategien
Microsoft Foundry für GenAI-Lösungen
- Foundry-Projekte und Modellbereitstellungen
- Prompts, Systemnachrichten und Parameter
- Evaluationen für GenAI-Anwendungen
- GenAI-Agenten im Betriebs-Lifecycle
GenAIOps und Quality-Gates
- Quality-Gates vor der Freigabe
- Antwortqualität und Sicherheitsprüfungen
- Versionierung kontrollierter Prompt-Änderungen
- Incident-Abläufe für GenAI-Services
CI/CD und Deployment-Automatisierung
- GitHub Actions für KI-Workflows
- Azure CLI in Release-Prozessen
- Pipeline-Schritte für Training und Tests
- Deployment-Muster für Endpunkte
Monitoring, Evaluation und Governance
- Observability für produktive KI-Services
- Latenz, Fehlerquoten und Kosten
- Data Drift und Model Drift
- Auditierbare Freigaben und Dokumentation






