AI-300 Operationalize machine learning and generative AI solutions

In diesem Kurs lernen Sie, wie Sie moderne MLOps- und GenAIOps-Lösungen auf Microsoft Azure planen, implementieren und produktiv betreiben.

Sie erfahren, wie eine sichere und skalierbare KI-Infrastruktur aufgebaut wird und wie der gesamte Lebenszyklus von Machine-Learning-Modellen mit Azure Machine Learning verwaltet werden kann. Darüber hinaus lernen Sie, generative KI-Anwendungen und Agenten mit Microsoft Foundry bereitzustellen, zu überwachen, zu bewerten und kontinuierlich zu optimieren.

Praxisnah werden Themen wie Automatisierung, Continuous Integration und Continuous Deployment (CI/CD), Infrastructure as Code sowie Monitoring und Observability behandelt. Dabei arbeiten Sie mit modernen Werkzeugen wie GitHub Actions, Azure CLI und Bicep. Der Kurs vermittelt zudem bewährte Methoden für die Zusammenarbeit zwischen Data-Science-, KI- und DevOps-Teams, um leistungsfähige und produktionsreife KI-Lösungen erfolgreich bereitzustellen.

Operationalisieren von Machine Learning-Modellen (MLOps)

• Mit Azure Machine Learning experimentieren
• Durchführen der Hyperparameteroptimierung mit Azure Machine Learning
• Ausführen von Pipelines in Azure Machine Learning
• Auslösen von Azure Machine Learning-Aufträgen mit GitHub-Aktionen
• Auslösen von GitHub-Aktionen mit featurebasierter Entwicklung
• Arbeiten mit Umgebungen in GitHub-Aktionen
• Bereitstellen eines Modells mit GitHub-Aktionen

Operationalisieren von generativen KI-Anwendungen (GenAIOps)

• Planen und Vorbereiten einer GenAIOps-Lösung
• Verwalten von Eingabeaufforderungen für Agents in Microsoft Foundry mit GitHub
• Bewerten und Optimieren von KI-Agents durch strukturierte Experimente
• Automatisieren von KI-Auswertungen mit Microsoft Foundry- und GitHub-Aktionen
• Überwachen Ihrer Anwendung für generative KI
• Analysieren und Debuggen Ihrer generativen KI-App mit Ablaufverfolgung

• Programmierkenntnisse: Solide praktische Erfahrung mit Python oder R.
• Machine Learning: Grundlegendes Verständnis von Konzepten des maschinellen Lernens, Data Science und Modelltraining.
• Cloud & Azure: Vertrautheit mit Cloud-Konzepten sowie grundlegende Kenntnisse der Azure-Plattform (Grundlagenwissen aus dem AI-900-Lernpfad wird empfohlen).
• DevOps: Verständnis von CI/CD-Prozessen, Versionskontrolle und allgemeiner Softwareentwicklung