Das explosive Wachstum der generativen KI stellt die Dateninfrastruktur von Unternehmen vor beispiellose Herausforderungen. Unternehmen haben mit komplexen Problemen bei der Datenqualität, steigenden Speicherkosten und fragmentierten Verarbeitungsplattformen zu kämpfen, die mit den KI-Workloads nicht Schritt halten können. Dieser Kurzkurs wurde entwickelt, um Fachleuten aus den Bereichen maschinelles Lernen und KI dabei zu helfen, robuste und kosteneffiziente Datensysteme zu entwerfen, die einen zuverlässigen Betrieb generativer KI ermöglichen.

Nach Abschluss dieses Kurses sind Sie in der Lage, die Datenherkunft nachzuverfolgen, um Qualitätsprobleme zu identifizieren, die die Leistung von KI-Modellen beeinträchtigen, Speicherebenen zu entwerfen, die Zugriffsgeschwindigkeit und Budgetbeschränkungen in Einklang bringen, sowie Streaming- und Batch-Plattformen in einheitliche Architekturen zu integrieren, die sich an die Anforderungen der KI anpassen lassen. Am Ende dieses Kurses werden Sie in der Lage sein: • Metadaten zur Datenherkunft zu analysieren, um die Ursachen von Datenqualitätsproblemen systematisch zu diagnostizieren • Strategien zur Speicherebenen-Einteilung zu bewerten, die Kompromisse zwischen Kosten, Latenz und Durchsatz optimieren • Technische Entwürfe zu erstellen, die Kafka, Spark und Flink für eine skalierbare Datenverarbeitung integrieren Dieser Kurs ist einzigartig, da er sich mit den spezifischen Herausforderungen der Datenarchitektur befasst, die beim Betrieb von KI-Systemen im Unternehmensmaßstab auftreten, und dabei Kostenoptimierung mit Leistungsanforderungen kombiniert, die in herkömmlichen Data-Engineering-Kursen nicht behandelt werden. Um in diesem Projekt erfolgreich zu sein, sollten Sie über Hintergrundwissen in den Bereichen Data Engineering und Cloud-Infrastruktur sowie über ein grundlegendes Verständnis der Unterschiede zwischen Streaming- und Batch-Verarbeitungsmustern verfügen.