KI-Cloud-Infrastruktur: AWS vs Azure vs GCP

Triff belastbare Plattform-Entscheidungen für Training, Inferenz, Daten und Kosten, inklusive Governance und Betrieb. Zu den Schwerpunkten gehören Plattform-Entscheidung: Was wirklich zählt, Compute für KI: GPU, TPU und skalierbare Cluster, Storage und Datenwege: schnell, sicher, bezahlbar, Netzwerk und Sicherheit: Zero Trust für KI-Workloads, MLOps und Plattformdienste: von Notebook bis Produktion und LLM-Betrieb: RAG, Vektorsuche und Inferenz-Architektur.

Die Schulung richtet sich an Cloud Architects und Solution Architects mit KI-Verantwortung, ML Engineers, MLOps Engineers und Platform Engineers, IT-Security und Governance-Verantwortliche für KI-Workloads und IT-Leitung, Product Owner und FinOps, die Plattform-Entscheidungen absichern sowie alle, die KI-Workloads in der Cloud belastbar planen, vergleichen und betreiben wollen.

Grundverständnis von Cloud-Konzepten (Netzwerk, IAM, Compute, Storage). Erste Berührung mit ML/LLM-Workloads oder MLOps ist hilfreich, aber nicht zwingend.

Zu den Schwerpunkten gehören Plattform-Entscheidung: Was wirklich zählt, Compute für KI: GPU, TPU und skalierbare Cluster, Storage und Datenwege: schnell, sicher, bezahlbar, Netzwerk und Sicherheit: Zero Trust für KI-Workloads, MLOps und Plattformdienste: von Notebook bis Produktion und LLM-Betrieb: RAG, Vektorsuche und Inferenz-Architektur.

Die Inhalte werden bis zu konkreten Arbeitsschritten zu MLOps und Plattformdienste: von Notebook bis Produktion, LLM-Betrieb: RAG, Vektorsuche und Inferenz-Architektur und Kosten, FinOps und Kapazitätsplanung geführt. Dadurch lässt sich das Gelernte gezielt auf eigene Aufgaben übertragen.

Zu den angestrebten Ergebnissen gehören: Wenn Du KI-Workloads in der Cloud betreiben willst, brauchst Du mehr als „welcher Anbieter hat welches Feature“; In diesem Seminar lernst Du, AWS, Azure und GCP so zu vergleichen, dass Du eine Plattform-Entscheidung vor Stakeholdern, Security und Controlling vertreten kannst; Du startest mit einem Kriterienraster: Workload-Typ, Datenlage, Compliance-Anforderungen, Team-Skills, Lock-in-Risiko und Time-to-Value; Daraus leitest Du ab, welche Architektur-Optionen Sinn ergeben und welche Kompromisse Du bewusst eingehen solltest; Im Compute-Teil geht es um GPU- und Accelerator-Strategien: Instanzwahl, Cluster-Skalierung, Scheduling, Container-Images und die praktischen Stolpersteine im Distributed Training.

Ja. „Netzwerk und Sicherheit: Zero Trust für KI-Workloads“ ist ein eigener Bestandteil der Schulung. Dazu gehören VPC/VNet, Private Endpoints, Egress-Kontrolle, Identity und Zugriff: IAM-Rollen, Least Privilege und Secret Management und sichere Service-to-Service Kommunikation.