Cloud-native KI auf AWS und Azure: Ready für Production

Baue, deploye und betreibe ML-Workloads mit MLOps, Security und Kostenkontrolle in AWS und Microsoft Azure. Zu den Schwerpunkten gehören Cloud-native KI-Architekturen verstehen, AWS- und Azure-Bausteine für ML richtig zuordnen, Von Code zu Deployment: Container, APIs, Endpoints, MLOps-Grundlagen: Reproduzierbarkeit und Governance, Security, Compliance und Responsible AI und Monitoring, Kosten und Betrieb.

Die Schulung richtet sich an Softwareentwicklerinnen und Softwareentwickler, die ML-Modelle als APIs bereitstellen, Data Scientists, die ihre Modelle in AWS oder Azure produktiv bringen wollen, ML Engineers und DevOps Engineers mit Verantwortung für Deployment und Betrieb, IT-Architektinnen und IT-Architekten, die Cloud-native KI-Architekturen bewerten und Alle, die KI-Workloads auf AWS/Azure planen, deployen und betreiben wollen.

Grundverständnis von Cloud-Konzepten (z.B. IAM/Rollen, Storage, Netzwerk) und Container-Grundlagen. Erste Berührung mit Machine Learning (Begriffe wie Training, Inferenz, Modell) ist hilfreich.

Zu den Schwerpunkten gehören Cloud-native KI-Architekturen verstehen, AWS- und Azure-Bausteine für ML richtig zuordnen, Von Code zu Deployment: Container, APIs, Endpoints, MLOps-Grundlagen: Reproduzierbarkeit und Governance, Security, Compliance und Responsible AI und Monitoring, Kosten und Betrieb.

Die Inhalte werden bis zu konkreten Arbeitsschritten zu MLOps-Grundlagen: Reproduzierbarkeit und Governance, Security, Compliance und Responsible AI und Monitoring, Kosten und Betrieb geführt. Dadurch lässt sich das Gelernte gezielt auf eigene Aufgaben übertragen.

Zu den angestrebten Ergebnissen gehören: Wenn KI-Projekte scheitern, liegt es selten am Algorithmus, sondern an fehlender Betriebsfähigkeit; Dieses Seminar zeigt Dir, wie Du KI-Workloads auf AWS und Azure so aufsetzt, dass Deployment, Sicherheit und Betrieb von Anfang an mitgedacht werden; Du lernst cloud-native Architekturprinzipien für Training und Inferenz kennen und übersetzt sie in Entscheidungen: Welche Compute-Option passt zu Deinem Use Case,; Du bekommst ein praxisnahes Mapping der Plattformen, damit Du Services nicht auswendig lernst, sondern richtig einordnest: SageMaker versus Azure Machine Learning, EKS versus AKS,; Darauf aufbauend strukturierst Du eine Inference-API als Service,

Ja. „MLOps-Grundlagen: Reproduzierbarkeit und Governance“ ist ein eigener Bestandteil der Schulung. Dazu gehören Experiment-Tracking, Model Registry, Artefakte, CI/CD für ML: Pipeline-Schritte und Gates, Feature Store und Datenversionierung (Prinzipien) und Freigaben, Reviews, Audit-Trails.