AI & Machine Learning Engineering Weiterbildung

In der ersten Phase lernen die Studierenden Softwareentwicklungsmethoden und deren Bezug zur Datenwissenschaft kennen. Ziel der ersten Woche ist es, besseren Code für Data-Science-Projekte zu schreiben. Dazu behandeln wir Softwareentwicklung mit Python (Programmierung, Arbeit mit Git und objektorientierte Programmierung). Anschließend zeigen wir, wie sich die Lücke zwischen dem üblichen Data-Science-Workflow und produktionsreifem Code schließen lässt.

Am Ende dieser Phase werden die Studierenden sicher im Umgang mit Daten für ihre Modelle aus verschiedenen Quellen und in unterschiedlichen Formaten sein. Data Engineering befasst sich mit dem zuverlässigen und vertrauenswürdigen Übertragen und Transformieren von Daten. Die Studierenden lernen die Datenarchitektur für die Batch- und Echtzeit-Datenverarbeitung kennen. Sie erfahren, wie sie Daten aus verschiedenen Quellen wie Datenbankzugriffen und APIs beziehen. Anschließend erlernen sie die Konzepte der Datenmodellierung mit DBT. Darauf aufbauend erstellen sie Datenpipelines mit Prefect und lernen die Konzepte der Batch-Verarbeitung und des Streamings kennen. Abschließend richten sie eine Feature-Engineering-Pipeline in der Cloud für ihr Data-Science-Projekt ein.

In der dritten Phase des Bootcamps lernen die Teilnehmer den Lebenszyklus des maschinellen Lernens kennen und erfahren, wie sie Data-Science-Produkte in die Produktion überführen. Es gibt eine Einführung in die Grundlagen des maschinellen Lernens, gefolgt von Einheiten zu Testverfahren, Bereitstellungsstrategien und Containerisierung.

In dieser Phase des Bootcamps lernen die Teilnehmer, was es bedeutet, Machine-Learning-Produkte im Produktiveinsatz zuverlässig und langfristig zu betreiben. In der vorherigen Phase haben sie gelernt, wie man Modelle bereitstellt; nun lernen sie, wie man sie überwacht und wartet.

Am Ende dieser Phase werden die Studierenden in der Lage sein, KI-Systeme mithilfe moderner Technologien für große Sprachmodelle (LLM) zu verstehen, zu entwickeln und zu evaluieren. Sie erwerben grundlegende Kenntnisse über LLM-Architekturen, Einbettungen, Vektorsuche und Prompt-Engineering; sammeln praktische Erfahrung im Aufbau von Retrieval-Augmented-Generation-Pipelines (RAG); führen Feinabstimmung und Evaluierung kleiner Modelle durch; und entwerfen benutzerdefinierte agentenbasierte Systeme mithilfe von Frameworks wie LangChain, pydanticAI und MCP.

In dieser Phase lernen die Studierenden, LLM-Anwendungen bereitzustellen und zu verwalten. Sie entwickeln FastAPI-Dienste, containerisieren diese mit Docker und stellen KI-Systeme auf Google Cloud Run bereit. Die Studierenden integrieren Monitoring und Observability, um die Zuverlässigkeit zu gewährleisten, und lernen, vollständige RAG- und Agenten-Pipelines von Anfang bis Ende bereitzustellen.

In der letzten Phase des Bootcamps bearbeiten die Studierenden ein umfassendes Abschlussprojekt, in dem sie alle erlernten Kenntnisse anwenden. Sie entwerfen, entwickeln, implementieren und überwachen ein komplettes Machine-Learning-System, das ein reales Problem löst. In Teams arbeiten die Studierenden wie ein professionelles MLE-Team und nutzen Best Practices aus Softwareentwicklung, Data Engineering, Machine-Learning-Engineering, Modellüberwachung und LLM-Entwicklung. Das Bootcamp schließt mit einer Präsentation und Live-Demonstration ihrer Lösung vor Dozenten und Kommilitonen ab.