Bis 2025 werden 80 % der Unternehmen GenAI in ihre Produktionsabläufe integrieren, doch nur 15 % fühlen sich sicher genug, zuverlässige RAG-Systeme einzusetzen. Dieser Kurzkurs wurde entwickelt, um Fachleuten aus den Bereichen maschinelles Lernen und künstliche Intelligenz dabei zu helfen, produktionsreife GenAI-Anwendungen auf der Databricks-Plattform zu entwickeln, zu optimieren und zu bewerten. Nach Abschluss dieses Kurses sind Sie in der Lage, Vektorsuch-Pipelines aus Rohdaten aufzubauen, Modelle mithilfe von MLflow-Tracking zu feinstimmen und strenge Bewertungsrahmen zu implementieren, die sicherstellen, dass Ihre GenAI-Systeme die realen SLA-Anforderungen erfüllen – Fähigkeiten, die Sie sofort bei kundenorientierten KI-Implementierungen anwenden können.

Am Ende dieses Kurses werden Sie in der Lage sein: • Databricks Lakehouse und Vektorsuchfunktionen anzuwenden, um eine „Retrieval-Augmented Generation“-Pipeline von Rohdaten bis hin zu abfragbaren Embeddings aufzubauen • Ergebnisse von Feinabstimmungsexperimenten in MLflow zu analysieren, um Adapterparameter auszuwählen, die ein Gleichgewicht zwischen Ausgabequalität und Latenzanforderungen herstellen • die Antworten von GenAI-Modellen hinsichtlich Relevanz, Halluzinationsrate, Kosten und Latenz zu bewerten und dabei die Prompt- und Kontextkonfigurationen so anzupassen, dass die Akzeptanzkriterien erfüllt werden Dieser Kurs ist einzigartig, da er praktische Databricks Lakehouse-Workflows mit der Nachverfolgung von MLflow-Experimenten und produktionsreifen Bewertungsmetriken kombiniert und so die Lücke zwischen GenAI-Prototypen und Unternehmensimplementierungen schließt. Um diesen Kurs erfolgreich zu absolvieren, sollten Sie über praktische Kenntnisse in der Python-Programmierung und grundlegende Konzepte des maschinellen Lernens verfügen sowie mit Cloud-Datenplattformen auf dem CB2-Mittelstufenniveau vertraut sein.