Kursbeschreibung
Dieses Advanced-Training vermittelt dir die Fähigkeiten, die zwischen einem erfolgreichen KI-Prototyp und einem produktiven KI-Feature liegen. Du setzt ein End-to-End Projekt um und trainierst dabei genau die Entscheidungen, die im Alltag Zeit und Geld sparen: Welche Metriken sind wirklich relevant? Wie stellst du Reproduzierbarkeit sicher? Wie bringst du ein Modell als API in Produktion, ohne beim ersten Daten-Shift die Kontrolle zu verlieren? Du beginnst mit Use Case und Datenstrategie: Zielbild, Erfolgskriterien, Risiko-Check, saubere Daten-Splits und Versionierung. Danach entwickelst du ein Modell iterativ von der Baseline bis zur robusten Variante, inklusive Tuning, Fehleranalyse und Kalibrierung. Du lernst, wie du Qualität nicht nur im Training, sondern über den gesamten Lebenszyklus definierst. Wenn der Use Case es sinnvoll macht, ergänzt du eine LLM-Komponente und setzt RAG mit messbarer Retrieval-Qualität, Output-Schemata und Guardrails um, inklusive Kosten- und Latenzbetrachtung. Im Engineering-Teil baust du eine FastAPI-basierte Backend-API mit Auth, Rate Limits und Caching. Du containerisierst mit Docker, setzt CI/CD für Code und Modelle auf und arbeitest mit einer Model Registry, damit Releases nachvollziehbar bleiben. Rollouts planst du mit Canary oder Blue/Green und klaren Rollback-Pfaden. Abschließend setzt du Monitoring für Modellqualität, Drift, Latenz und Kosten auf, definierst SLOs und erstellst Incident-Playbooks. Damit kannst du KI-Systeme verantwortungsvoll, sicher und stabil betreiben, auch wenn Daten und Anforderungen sich ändern.
Zielgruppe
- Machine Learning Engineers mit Projekterfahrung
- Data Scientists, die KI produktisieren wollen
- Software Engineers im KI-Umfeld (Backend/API)
- Tech Leads, die MLOps-Standards aufbauen
- Für alle, die ein KI-System von Training bis Betrieb sauber liefern wollen
Voraussetzung für die Schulung
- Solide Python-Kenntnisse und Erfahrung mit mindestens einem ML-Projekt.
- Grundverständnis von REST APIs und Docker ist hilfreich.
Kursinhalte
- Use Case, Datenstrategie, Erfolgskriterien
- Problem- und KPI-Definition, Risiko-Check (Bias, Leakage)
- Datenquellen, Datenverträge, Versionierung (DVC/MLflow)
- Train/Validation/Test sauber schneiden, Baselines festlegen
- Modellierung: von Baseline zu robustem Modell
- Feature Engineering vs. Embeddings, sinnvolle Abkürzungen
- Training, Cross-Validation, Hyperparameter-Tuning
- Evaluation: Metriken, Kalibrierung, Fehleranalyse
- LLM-Integration (wenn sinnvoll): RAG statt Bauchgefühl
- Prompt-Design, Output-Schemata, Guardrails
- RAG-Pipeline: Chunking, Embeddings, Vector DB Konzepte
- Evaluation: Retrieval-Qualität, Halluzinationen, Kosten
- Backend-API und Produktisierung
- FastAPI Service Design, Auth, Rate Limits
- Batch vs. Realtime Inference, Caching-Strategien
- Fehlerhandling, Observability, strukturierte Logs
- Deployment und MLOps
- Containerisierung mit Docker, reproduzierbare Builds
- CI/CD für Modelle und Services, Model Registry
- Rollouts: Blue/Green, Canary, schnelle Rollbacks
- Monitoring, Drift und Betrieb
- Model Monitoring: Qualität, Latenz, Kosten, SLOs
- Data Drift/Concept Drift erkennen und reagieren
- Retraining-Trigger, Incident Playbooks, Postmortems
- Security, Compliance und Responsible AI
- PII-Handling, Zugriffskonzepte, Secret Management
- Dokumentation: Model Cards, Data Sheets
- Red-Teaming, Abuse Cases, sichere Freigaben
