KKC_0156 | 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.
Infos zum Download
Vom Modell zum belastbaren KI-Service in der Cloud.
Cloud-native KI bedeutet, dass ein Modell nicht im Notebook endet, sondern als verlässlicher Service betrieben wird. In diesem Seminar bauen Sie ein solides Fundament, um KI-Entwicklung auf AWS und Microsoft Azure so zu strukturieren, dass sie in Produktion funktioniert. Sie starten mit den typischen Unterschieden zwischen Prototyp und produktivem System: Datenflüsse, Latenz, Skalierung, Abhängigkeiten und die Frage, welche Teile Sie besser als Managed Service nutzen und welche Sie selbst in Containern betreiben.
Anschließend ordnen Sie zentrale Bausteine beider Plattformen: SageMaker und Azure Machine Learning für Training und Hosting, ECR/ECS/EKS sowie ACR/AKS für Container-Workloads, S3 und ADLS für Storage sowie Event- und Messaging-Dienste für entkoppelte Verarbeitung. Sie lernen, wann Real-time Inference sinnvoll ist und wann Batch Inference die robustere und günstigere Wahl darstellt. Ein Schwerpunkt liegt auf MLOps-Grundlagen: Experiment-Tracking, Model Registry, Artefakte, CI/CD-Gates und nachvollziehbare Freigaben.
Dazu kommen Security und Governance mit IAM/RBAC, Secrets, Netzwerk-Isolation und Verschlüsselung. Zum Abschluss bringen Sie Betriebsperspektive hinein: Monitoring, Drift-Erkennung, SLOs, Runbooks und konkrete Kostenhebel, damit Ihr KI-Lösung nicht nur läuft, sondern auch dauerhaft steuerbar bleibt.
AngebotszielCloud-native KI auf AWS und Azure: Ready für Production
- Cloud-native KI-Architekturen für Produktion verstehen
- AWS und Microsoft Azure für KI-Workloads einordnen
- Deployment, Skalierung und Betrieb von KI-Services planen
- Sicherheit, Identitäten und Zugriffskonzepte berücksichtigen
- Monitoring, Kostenkontrolle und Betriebsstabilität einbeziehen
- MLOps- und DevOps-Prinzipien für KI-Services anwenden
ZielgruppeCloud-native KI auf AWS und Azure: Ready für Production
Das Angebot richtet sich an Cloud Engineers, DevOps-Teams, Data- und AI-Teams, Softwarearchitekt/innen sowie technische Verantwortliche, die KI-Lösungen auf AWS oder Azure produktionsreif umsetzen möchten.
VoraussetzungenCloud-native KI auf AWS und Azure: Ready für Production
- 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.
InhalteCloud-native KI auf AWS und Azure: Ready für Production
- Cloud-native KI-Architekturen verstehen
- Unterschied: Notebook-Prototyp vs. produktiver Service
- Compute-Optionen: CPU, GPU, Managed Services
- Referenzarchitekturen für Inferenz und Training
- Datenflüsse, Latenz und Skalierung
- AWS- und Azure-Bausteine für ML richtig zuordnen
- Training und Hosting: SageMaker vs. Azure Machine Learning
- Container: ECR/ECS/EKS vs. ACR/AKS
- Storage und Data Lake: S3 vs. ADLS
- Messaging und Events: SQS/SNS vs. Service Bus/Event Grid
- Von Code zu Deployment: Container, APIs, Endpoints
- Inference-API als REST-Service (FastAPI/Flask Prinzip)
- Docker-Images bauen, versionieren, ausrollen
- Autoscaling, Rolling Updates, Blue-Green Prinzip
- Batch Inference vs. Real-time Inference
- MLOps-Grundlagen: Reproduzierbarkeit und Governance
- Experiment-Tracking, Model Registry, Artefakte
- CI/CD für ML: Pipeline-Schritte und Gates
- Feature Store und Datenversionierung (Prinzipien)
- Freigaben, Reviews, Audit-Trails
- Security, Compliance und Responsible AI
- IAM/RBAC, Least Privilege, Secrets Handling
- Netzwerk: Private Endpoints, VPC/VNet Muster
- Verschlüsselung, Schlüsselmanagement, Datenzugriff
- Risiken: Prompt Injection, Data Leakage, Model Abuse
- Monitoring, Kosten und Betrieb
- Observability: Logs, Metrics, Traces, Alerts
- Model Monitoring: Drift, Datenqualität, Performance
- Kostenhebel: Spot/Reserved, Right-Sizing, Skalierung
- SLOs, Incident-Playbooks, Runbooks
BildungspfadCloud-native KI auf AWS und Azure: Ready für Production
- LLM-Evaluation: Evaluation. Praxis. Sicherheit
- Mistral-KI Training: Europas LLM-Stack im Einsatz
- Erklärbare KI: Warum entscheidet die KI so?
- Backend für KI-Systeme: Python & Node.js Advanced Training
- Full-Stack KI-Entwicklung: End-to-End Projekt
- Open-Source-LLMs lokal betreiben: Grundkurs
- GLM-5.1: Open Source LLM produktiv nutzen
- MiniMax 2.7 Training: Das sich selbst-entwickelende Open-Source Model
- Qwen und weitere Alibaba-Modelle: Was lohnt sich?
- DeepSeek: Einsatz und Self-Hosting
- Llama-Modelle im Vergleich: Nutzen statt Hype
- GPT-OSS im Einsatz: OpenAI-Modelle verstehen
- Kimi K2.5: OpenSource LLM sofort produktiv
- KI-Infrastrukturplanung: On-Premise vs. Cloud
- Cloud-native KI auf AWS und Azure: Ready für Production
- IaC mit KI: Terraform & GitOps sauber skalieren
- LLM Self-Hosting und Deployment
- KI-Apps containerisieren mit Podman, Docker & Kubernetes
- Open-Source LLM Fine-Tuning für Entwickler
- Vertex AI: ML-Pipelines, die wirklich laufen
- Dagster-Schulung für KI-Pipelines
- Vektordatenbanken in der Cloud: Pinecone, Weaviate und Co
- MLOps auf Azure: Modelle produktiv ausrollen
- Linux Administration für KI-Workloads mit GPUs
- Computer Use im Einsatz: Systeme sicher steuern
- MLOps Training in Air-Gapped Umgebungen
- Experimente, Prompts, Modelle und GenAI-Qualität mit MLflow nachvollziehbar steuern
- Qdrant-Schulung: RAG und Hybrid Search im Betrieb
- Serverless AI Training
- Vektordatenbanken für KI Training: Architektur & Praxis
AusbildungsnachweisCloud-native KI auf AWS und Azure: Ready für Production
Zertifikat der IAD GmbH
Sie erhalten ein Teilnahmezertifikat der IAD GmbH. Damit können Sie Ihr erworbenes Wissen dokumentieren.
im Angebot