Schwerpunkte
Operationalisieren von Machine-Learning-Modellen (MLOps)
- Grundlagen von Machine Learning in Azure und Einsatz von Azure Machine Learning
- Experimente mit AutoML, Notebooks und MLflow durchführen sowie Modelle mit dem Responsible-AI-Dashboard bewerten
- Trainingsskripte ausführen, Modelle nachverfolgen und Hyperparameter optimieren
- Machine-Learning-Pipelines und wiederverwendbare Komponenten erstellen
- MLOps-Lösungen und automatisierte Workflows entwerfen und implementieren
- Modelltraining und ML-Aufträge mit GitHub Actions automatisieren, einschließlich Feature basierter Entwicklung und Umgebungsverwaltung
- Modelle registrieren, bereitstellen und überwachen
Operationalisieren generativer KI-Anwendungen (GenAIOps)
- GenAIOps-Lösungen und KI-Agenten planen und vorbereiten
- Prompts für KI-Agenten mit Microsoft Foundry und GitHub verwalten und versionieren
- KI-Agenten durch strukturierte Experimente bewerten und optimieren
- KI-Evaluierungen mit Microsoft Foundry und GitHub Actions automatisieren
- Qualität, Leistung, Latenz, Token-Verbrauch und Kosten generativer KI-Anwendungen überwachen
- KI-Anwendungen mit Microsoft Foundry und Ablaufverfolgung (Tracing) analysieren und debuggen