KKC_0332 | Dagster-Schulung für KI-Pipelines
Asset-zentrierte Daten- und KI-Pipelines mit Dagster orchestrieren
Infos zum Download
Datenprodukte sichtbar, steuerbar und wiederholbar machen
Dagster-Schulung für KI-Pipelines vermittelt praxisnah, wie Sie Asset-zentrierte Daten- und KI-Pipelines mit Dagster orchestrieren. Dagster adressiert Pipeline-Orchestrierung über Assets: Tabellen, Dateien, Feature-Sets oder Embeddings werden als Datenprodukte mit Abhängigkeiten, Metadaten und Materialisierungen sichtbar.
Dagster-Grundkonzepte wie Assets, Ops, Resources und Repositories anzuwenden sowie KI- und Datenpipelines Asset-zentriert zu modellieren, stehen dabei im Mittelpunkt. Die Inhalte verbinden fachliche Einordnung, konkrete Umsetzung und die Anforderungen an Qualität, Sicherheit und Nachvollziehbarkeit.
Damit eignet sich das Angebot für Unternehmen, die neue KI-, Daten- oder Automatisierungslösungen nicht nur testen, sondern strukturiert in belastbare Arbeitsabläufe überführen möchten.
AngebotszielDagster-Schulung für KI-Pipelines
- Dagster-Grundkonzepte wie Assets, Ops, Resources und Repositories anwenden
- KI- und Datenpipelines asset-zentriert modellieren
- Lineage, Materialization Events und Metadaten in Dagster UI auswerten
- Abhängigkeiten zwischen Tabellen, Dateien, Features und Embeddings sichtbar machen
- Fehlerfälle, Wiederholungen und Betriebsabläufe strukturieren
- Dagster für reproduzierbare KI- und Datenplattformprozesse einsetzen
ZielgruppeDagster-Schulung für KI-Pipelines
Das Angebot richtet sich an Data Engineers, ML Engineers, Analytics-Teams und Plattformverantwortliche, die KI- und Datenpipelines nachvollziehbar orchestrieren möchten.
VoraussetzungenDagster-Schulung für KI-Pipelines
Python-Grundkenntnisse und Erfahrung mit Datenpipelines oder Analytics-Prozessen werden empfohlen. Kenntnisse zu Data Engineering sind hilfreich.
InhalteDagster-Schulung für KI-Pipelines
Asset-Modell der Dagster-Schulung
- Asset-Graphen und Software-Defined Assets
- Strukturierte Python-Module im Dagster-Projekt
- Metadaten für Data Lineage
- Resources und Konfiguration pro Umgebung
Data-Orchestration-Training mit Dagster
- Ops als wiederverwendbare Pipeline-Schritte
- Jobs für ausgewählte Asset-Gruppen
- Schedules für zeitgesteuerte Läufe
- Sensors für ereignisbasierte Starts
- Run-Konfiguration für wiederholbare Ausführungen
Data-Pipeline-Schulung für Produktionsläufe
- Partitionen für tägliche Batch-Daten
- Backfills für einzelne Partitionen
- Retries bei transienten Fehlern
- Fehleranalyse in der Dagster-UI
- Materialisierungen mit prüfbaren Lauf-Metadaten
Dagster-Python-Training im Repository
- Unit-Tests für einzelne Asset-Funktionen
- Unit-Tests für wiederverwendbare Op-Logik
- Asset Checks für Datenqualität
- Git-Runner für automatisierte Pipeline-Tests
- Umgebungsvariablen für getrennte Konfiguration
- Packaging für wiederholbare Deployments
Data-Engineering-Workflow für KI-Pipelines
- Feature-Daten als überwachte Assets
- Embedding-Erzeugung als wiederholbarer Asset-Schritt
- Observability über Materialization Events
- Deployment-Muster für produktive Data-Teams
BildungspfadDagster-Schulung für KI-Pipelines
- 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
- Google Cloud Machine Learning Engineer Training
- vLLM-Schulung: Open-Source-LLMs bereitstellen
- 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
AusbildungsnachweisDagster-Schulung für KI-Pipelines
Zertifikat der IAD GmbH
Sie erhalten ein Teilnahmezertifikat der IAD GmbH. Damit können Sie Ihr erworbenes Wissen dokumentieren.
im Angebot