embarc logo
embarc logo

Softwarearchitektur für KI-Systeme

KI-Systeme architekturell sauber aufsetzen (3 Tage)

 
 

Softwarearchitektur für KI-Systeme: KI-Systeme architekturell sauber aufsetzen (3 Tage)

Von den Grundbegriffen wie Machine Learning, AI Engineering, LLMs, Foundation Models, Prompting oder RAG über spezifische qualitative Herausforderungen für KI-Systeme hin zum Entwurf von komplexen Agentic Systems: Unser Seminar deckt alle architekturrelevanten Facetten für den Entwurf von KI-basierten Anwendungen und Applikationslandschaften ab.
Kontaktieren Sie uns

Agenda

Einstieg und Motivation
Wann und wo lohnt sich der Einsatz von KI? Was ist eigentlich der Unterschied zwischen Machine Learning und AI Engineering? Welche spezifischen Herausforderungen bringt die Entwicklung KI-basierter Systeme mit sich und wo genau liegen die Unterschiede zur Softwareentwicklung klassischer, deterministischer Systeme?

Qualitätsmerkmale für KI-Systeme
KI-spezifische Qualitätsanforderungen verstehen und formulieren

KI-Technologien
Einsatz von symbolischer KI, Machine Learning oder Foundation Models bewerten

FTI-Pipelines für Machine Learning
Feature-, Training- und Inference-Pipelines für Machine Learning aufsetzen

Foundation Models
Die Funktionsweise von LLMs verstehen

Anwendungsfälle für AI Engineering
Welche Anwendungsfälle lassen sich auf Grundlage von Foundation Models lösen?

Prompting, RAG, Fine-Tuning und Distilling
Den Einsatz grundlegender Techniken im Umgang mit Foundation Models kennen

KI-Systeme evaluieren
Wie können Ergebnisse von KI-Systemen, insbesondere generativer KI, bewertet werden?

Agentic AI
Agentic Systems verstehen und entwerfen

Ihr Nutzen

Nach diesem Seminar können Sie KI-Initiativen fundiert bewerten, gezielt zuschneiden und in tragfähige Softwarearchitekturen überführen. Sie erkennen, wann KI echten Mehrwert liefert, adressieren relevante Qualitätsziele und lernen, praktikable Architektur-Entscheidungen für KI-Systeme zu treffen. Sie sind in der Lage, Datenflüsse und Pipelines vom Feature-Engineering bis zur Inferenz robust zu gestalten, LLM-basierte Ansätze gegenüber klassischen ML- oder symbolischen Verfahren einzuordnen und geeignete Integrationsmuster auszuwählen. Zudem wissen Sie, wie Sie Agenten mit passenden Tools ausstatten, die Agenten orchestrieren, Ergebnisse messen und Risiken evaluieren.

Zielgruppe

Dieser Workshop richtet sich an Softwareentwicklerinnen und -architekten, die Systeme entwerfen und weiterentwickeln und über den Einsatz von KI in ihrer Software nachdenken. Sie haben bereits praktische Erfahrungen in IT-Projekten gesammelt. Kenntnisse in einer bestimmten Technologie oder Programmiersprache sind nicht erforderlich.

 
 

Unsere Extras für Sie

Fotoprotokoll, Folien und Handouts
Alle Übungsergebnisse, Handouts und gezeigten Theorieinhalte werden den Teilnehmern im Anschluss elektronisch zur Verfügung gestellt

Zusätzlich...
Einen schnellen und praxisnahen Überblick zu Machine Learning finden Sie in unserem Architekturspicker Nr. 10 Machine Learning Lösungen entwerfen

Architekturspicker Nr. 10 Machine Learning Lösungen entwerfen

Haben wir Ihr Interesse geweckt?

Verwenden Sie das Kontaktformular oder senden Sie Felix Kammerlander eine E-Mail.