Sie erwerben Fachkenntnisse im Bereich systematischer Rahmenkonzepte zur Bewertung bestehender Systemarchitekturen, um Leistungsengpässe und Lücken in der Ausfallsicherheit zu erkennen, bevor diese Auswirkungen auf die Produktionssysteme haben.

Sie lernen, professionelle Referenzarchitekturdiagramme zu erstellen, die Sicherheitsmaßnahmen, Automatisierung der Bereitstellung und Betriebsüberwachung in einheitliche, unternehmensgerechte Konzepte integrieren.

Sie lernen systematische Techniken zur Abhängigkeitsanalyse kennen, mit denen sich Kettenausfälle in KI-Systemarchitekturen erkennen und verhindern lassen. Durch die praktische Anwendung von FMEA-Prinzipien und Tools zur Abhängigkeitskartierung entwickeln die Teilnehmer die Fähigkeit, Dienstbeziehungen zu bewerten, Risiken der Ausfallausbreitung einzuschätzen und gezielte Schutzmaßnahmen zu implementieren, die die Zuverlässigkeit des Systems auch unter Belastung gewährleisten.

Sie erwerben Fachkenntnisse in der Analyse von RED-Kennzahlen (Rate, Errors, Duration), um Leistungsengpässe systematisch zu identifizieren und Optimierungsstrategien für KI-Systeme zu priorisieren. Durch die Analyse realer Leistungsdaten und die Anwendung strategischer Entscheidungsmodelle werden die Teilnehmer Observability-Kennzahlen in umsetzbare Verbesserungsmaßnahmen umwandeln, die die Systemleistung und die Benutzererfahrung steigern.

Sie werden produktionsreife Microservice-Vorlagen entwerfen und implementieren, die die Protokollierung, die Ablaufverfolgung und die Sicherheits-Middleware in KI-Service-Ökosystemen standardisieren. Anhand praktischer Übungen zur Vorlagenentwicklung erstellen die Teilnehmer wiederverwendbare Grundlagen, die die Entwicklungsgeschwindigkeit beschleunigen und gleichzeitig die Konsistenz im Betrieb sowie Sicherheitsstandards auf Unternehmensniveau gewährleisten.

Anhand der Auswertung realer AWS-Abrechnungsdaten lernen Sie Methoden zur systematischen Analyse von Cloud-Kosten kennen, um versteckte Ineffizienzen aufzudecken und datengestützte Optimierungsstrategien zu entwickeln.

Sie werden Governance-Rahmenwerke systematisch bewerten, indem Sie Compliance-Berichte anhand von Tags analysieren, die Wirksamkeit der Richtlinienumsetzung messen und Lücken identifizieren, die die Kostenkontrolle und die Einhaltung von Sicherheitsvorschriften beeinträchtigen.

Sie entwickeln „Infrastructure as Code“-Lösungen mit Terraform und Sentinel, um die Durchsetzung von Richtlinien zu automatisieren und reaktive Governance in proaktive Präventionssysteme umzuwandeln, die die Einhaltung von Vorschriften ohne manuelle Eingriffe gewährleisten.

Sie lernen, wie Sie Probleme im Bereich der Datenqualität systematisch beheben, indem Sie die Nachverfolgung von Datenherkünften verstehen, Metadaten-Diagramme analysieren und Methoden der Ursachenanalyse anwenden, um Probleme zu diagnostizieren, die die Leistung von GenAI-Modellen in Unternehmensumgebungen beeinträchtigen.

Sie erwerben Fachkenntnisse im Bereich der kosteneffizienten Gestaltung von Speicherarchitekturen, indem Sie Zugriffsmuster von Workloads analysieren, Tiering-Strategien für verschiedene Speichertechnologien bewerten und quantifizierte Optimierungsempfehlungen erarbeiten, die Leistungsanforderungen und Budgetvorgaben für GenAI-Systeme in Unternehmen in Einklang bringen.

Sie wenden systematische Ansätze für den Entwurf einer einheitlichen Datenverarbeitungsarchitektur an, indem Sie Plattform-Integrationsmuster analysieren, technische Entwürfe erstellen, die die Interoperabilität von Kafka, Spark und Flink festlegen, und Architekturentscheidungsprotokolle mit Implementierungsleitfäden für GenAI-Umgebungen in Unternehmen entwickeln.

Sie werden eine umfassende Cloud-Infrastrukturplattform für generative KI-Anwendungen entwerfen und dabei lernen, wie grundlegende Prinzipien der Cloud-Architektur, Microservices-Muster und Verfahren zum Kostenmanagement zusammenwirken, um zuverlässige KI-Systeme zu schaffen. Sie werden verstehen, wie sich die Auswahl von Cloud-Diensten auf die Systemleistung auswirkt, welchen Einfluss das Design von Microservices auf die Zuverlässigkeit hat und wie automatisierte Governance Kostenüberschreitungen verhindert. Durch die praktische Gestaltung der Infrastruktur werden Sie erkennen, wie sich diese Infrastrukturentscheidungen sowohl auf die Leistung als auch auf das Budget in realen KI-Umgebungen auswirken.