AI-300T00: Operationalize machine learning and generative AI solutions

In diesem praxisorientierten Training lernen Teilnehmende, produktionsreife MLOps- und GenAIOps Workflows auf Microsoft Azure aufzubauen. Sie entwickeln sichere, skalierbare KI-Infrastrukturen, operationalisieren Machine Learning Modelle und generative KI Lösungen und nutzen moderne Tools wie Azure Machine Learning, Microsoft Foundry, GitHub Actions, Azure CLI und Bicep für automatisierte, beobachtbare KI Deployments.

Jetzt beraten lassen

Physisch oder virtuell?

Nehmen Sie an einem unserer Standorte oder virtuell an unseren Klassenraumtrainings teil. Unter “Termin buchen” werden Ihnen alle Optionen angezeigt, zuerst sortiert nach Standort, dann nach Datum.

Data Science- und DevOps Teams sind nach diesem Training in der Lage, robuste KI Systeme erfolgreich in die Produktion zu überführen.

Dieses Training richtet sich an:
  • Data Scientists
  • Machine Learning Ingenieure
  • KI Techniker
  • DevOps Professionals
Nach diesem Training können Teilnehmende KI Modelle und generative KI Anwendungen zuverlässig, sicher und skalierbar in produktive Azure Umgebungen überführen. Es eignet sich ideal für alle, die operative Verantwortung für KI Systeme tragen oder MLOps/GenAIOps Workflows implementieren wollen.

Data Science- und DevOps Teams sind nach diesem Training in der Lage, robuste KI Systeme erfolgreich in die Produktion zu überführen.

Dieses Training richtet sich an:
  • Data Scientists
  • Machine Learning Ingenieure
  • KI Techniker
  • DevOps Professionals
Nach diesem Training können Teilnehmende KI Modelle und generative KI Anwendungen zuverlässig, sicher und skalierbar in produktive Azure Umgebungen überführen. Es eignet sich ideal für alle, die operative Verantwortung für KI Systeme tragen oder MLOps/GenAIOps Workflows implementieren wollen.

Was werden Sie in diesem Training erlernen?

Nach diesem Training:
  • konzipieren Sie skalierbare und sichere KI Infrastrukturen auf Azure für MLOps und GenAIOps.
  • implementieren Sie vollständige ML Lifecycle Prozesse mit Azure Machine Learning, inklusive Training, Versionierung und Deployment.
  • stellen Sie generative KI Anwendungen und Agenten mithilfe von Microsoft Foundry bereit.
  • automatisieren Sie CI/CD Pipelines mit GitHub Actions für kontinuierliches Trainieren, Testen und Ausrollen.
  • beherrschen Sie die Anwendung von Infrastruktur als Code, um stabile und reproduzierbare ML Umgebungen mit Bicep und Azure CLI aufzubauen.
  • überwachen und bewerten Sie ML Modelle sowie generative KI Workloads hinsichtlich Leistung, Qualität, Sicherheit und Kosten.
  • optimieren Sie bestehende KI Deployments mithilfe moderner Observability Tools und Best Practices.

Agenda

Teil 1: Operationalisieren von Machine Learning-Modellen (MLOps)
Experiment with Azure Machine Learning
Preprocess data and configure featurization
Run an automated machine learning experiment
Evaluate and compare models
Configure MLflow for model tracking in notebooks
Train and track models in notebooks
Evaluate models with the Responsible AI dashboard
Exercise - Find the best classification model with Azure Machine Learning
Perform hyperparameter tuning with Azure Machine Learning
Use a sweep job for hyperparameter tuning
Configure early termination
Configure a sampling method
Exercise - Run a sweep job
Define a search space
Run pipelines in Azure Machine Learning
Exercise - Run a pipeline job
Run a pipeline job
Create a pipeline
Create components
Trigger Azure Machine Learning jobs with GitHub Actions
Understand the business problem
Exercise
Use GitHub Actions for model training
Explore the solution architecture
Trigger GitHub Actions with feature-based development
Understand the business problem
Explore the solution architecture
Trigger a workflow
Exercise
Work with environments in GitHub Actions
Understand the business problem
Explore the solution architecture
Set up environments
Exercise
Deploy a model with GitHub Action
Explore the solution architecture
Model deployment
Understand the business problem
Exercise
Teil 2: Operationalize generative AI applications (GenAIOps)
Plan and prepare a GenAIOps solution
Exercise - Compare language models from the model catalog
Explore available tools and frameworks to implement GenAIOps
Understand the development lifecycle of a language model application
Select the right generative AI model
Explore use cases for GenAIOps
Manage prompts for agents in Microsoft Foundry with GitHub
Apply version control to prompts
Understand Microsoft Foundry agents and prompt versioning
Organize prompts in GitHub repositories
Develop safe prompt deployment workflows
Exercise - Develop prompt and agent versions
Evaluate and optimize AI agents through structured experiments
Design evaluation experiments
Apply Git-based workflows to optimization experiments
Apply evaluation rubrics for consistent scoring
Exercise - Evaluate and compare AI agent versions
Automate AI evaluations with Microsoft Foundry and GitHub Actions
Align evaluators with human criteria
Understand why automated evaluations matter
Exercise - Set up automated evaluations
Integrate evaluations into GitHub Actions
Implement batch evaluations with Python
Create evaluation datasets
Monitor your generative AI application
Exercise - Enable monitoring for a generative AI application
Interpret monitoring results
Integrate monitoring into your app
Explore how to monitor with Azure
Understand key metrics to monitor
Why do you need to monitor?
Analyze and debug your generative AI app with tracing
Make informed decisions with trace data analysis
Exercise - Enable tracing for a generative AI application
Debug complex workflows with advanced tracing patterns
Implement tracing in generative AI applications
Identify what to trace in generative AI applications
Why do you need to use tracing?
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications
  • Group Exercise: Review Architecting on AWS core best practices
  • AWS Organizations for multi-account access and permissions
  • AWS SSO to simplify access and authentication across AWS accounts and third-party services
  • AWS Control Tower
  • Permissions, access, and authentication
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications
  • Group Exercise: Review Architecting on AWS core best practices
  • Lab 1: Securing Amazon S3 VPC Endpoint Communications

Dein Training im Überblick

Dauer 4 Tage
Trainingssprache Deutsch
Nicht verfügbar

2.535,00 €

Startdatum und Ort wählen

Terminübersicht