0521 968 7740Mo–Fr, 8–17 Uhr
Der GenAI Observability Kurs richtet sich an Teams, die LLM-Anwendungen aus Experimenten in verlässliche Abläufe überführen. Der erste Trainingsabschnitt legt die Basis mit MLflow Tracking: Runs erhalten nachvollziehbare Parameter, Metriken, Artefakte und Dataset-Bezüge. Danach werden Experimente verglichen, fehlgeschlagene Läufe analysiert und Ergebnisse so dokumentiert, dass Reviews im Team schneller gelingen. Im MLflow 3 Training kommt GenAI-Tracing hinzu. Du instrumentierst LLM-Aufrufe, Prompt-Schritte und Retrieval-Abläufe, um eine Antwort über einzelne Spans nachzuverfolgen. Dadurch erkennt das Team, welcher Prompt-Teil, welcher Kontext oder welcher Tool-Aufruf einen Qualitätsabfall ausgelöst hat. Prompt Management MLflow behandelt die Versionierung von Prompts, die Ablage zusammengehöriger Prompt-Sets und den Vergleich von Varianten über Evaluationsergebnisse. Für klassische ML-Modelle setzt die Schulung auf Model Registry, MLflow Models und reproduzierbare Deployment-Pfade. MLOps mit MLflow wird als durchgehender Arbeitsablauf trainiert: Experiment anlegen, Modell oder Prompt bewerten, Registry-Eintrag vorbereiten, Deployment-Entscheidung dokumentieren und Monitoring-Signale aufnehmen. Die Labs nutzen vorbereitete ML- und LLM-Beispiele, damit du nach jedem Abschnitt ein lauffähiges Muster für den eigenen Arbeitskontext mitnimmst. Die Schulung eignet sich besonders, wenn bereits Prototypen existieren und der nächste Schritt in Richtung Betrieb, Qualitätssicherung und nachvollziehbarer Evaluation ansteht. Ein abschließender Review verbindet Trace-Daten mit Metriken und zeigt, wie Befunde in Aufgaben für Entwicklung oder Plattform-Betrieb überführt werden.
