KKC_0239 | Full-Stack KI-Entwicklung: End-to-End Projekt

Dieses Seminar ist für Sie, wenn Sie Modelle bereits trainieren können, aber beim Schritt in Richtung produktionsreifes KI-Produkt mehr als nur ein Notebook brauchen. Sie entwickeln ein End-to-End Projekt, das den kompletten Lebenszyklus abbildet: Use Case, Datenstrategie, Modellierung, API, Deployment und Betrieb. Zu Beginn schärfen Sie Problemstatement und Erfolgskriterien, definieren passende Metriken und bauen eine belastbare Baseline.

Danach strukturieren Sie Datenflüsse so, dass sie reproduzierbar bleiben: saubere Splits, Versionierung und ein Setup, das Leakage und Bias aktiv adressiert. Im Modellteil gehen Sie von einer einfachen Lösung zu einem robusten Modell mit nachvollziehbarer Evaluation. Sie lernen, wie Sie Fehleranalysen durchführen, Kalibrierung einsetzen und Entscheidungen über Feature Engineering, Embeddings oder Modellkomplexität begründen. Wenn der Use Case es hergibt, ergänzen Sie eine LLM-Komponente und setzen RAG nicht als Trend, sondern als messbare Pipeline um: Chunking, Retrieval-Qualität, Kostenkontrolle und Guardrails.

Anschließend produktisieren Sie das Ergebnis als Service: API-Design mit FastAPI, Authentifizierung, Rate Limits, Caching und klare Schnittstellen. Sie containerisieren mit Docker, setzen CI/CD für Code und Modelle auf, nutzen eine Model Registry und planen Rollouts mit Canary oder Blue/Green. Zum Schluss bauen Sie Monitoring für Qualität, Drift, Latenz und Kosten, definieren SLOs und erstellen Playbooks für Incidents. So nehmen Sie ein praxistaugliches Vorgehen mit, das Sie direkt in echte Teams und Plattformen übertragen können.

• Sie entwickeln ein vollständiges KI-Projekt vom Use Case bis zum Betrieb.
• Sie definieren Problemstatement, Erfolgskriterien, Metriken und Baseline.
• Sie strukturieren Datenflüsse reproduzierbar und vermeiden Leakage sowie Bias.
• Sie trainieren, evaluieren und verbessern Modelle anhand nachvollziehbarer Kriterien.
• Sie integrieren bei Bedarf LLM- oder RAG-Komponenten messbar in die Pipeline.
• Sie planen API, Deployment und produktionsnahe Betriebsanforderungen.
• Sie führen Fehleranalysen, Kalibrierung und technische Entscheidungen systematisch durch.

Das Angebot richtet sich an Data Scientists, ML-Entwickler/innen, Full-Stack-Entwickler/innen, KI-Teams, MLOps-Verantwortliche und technische Projektteams, die aus Modellen produktionsreife KI-Anwendungen entwickeln möchten.

• Solide Python-Kenntnisse und Erfahrung mit mindestens einem ML-Projekt.
• Grundverständnis von REST APIs und Docker ist hilfreich.

• 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