Phase 1: Software Engineering
- Softwareentwicklungsmethoden und ihr Bezug zur Datenwissenschaft: besseren Code für Data-Science-Projekte schreiben.
- Softwareentwicklung mit Python – Programmierung, Arbeit mit Git und objektorientierte Programmierung.
- Die Lücke zwischen dem üblichen Data-Science-Workflow und produktionsreifem Code schließen.
Phase 2: Data Engineering
- Datenarchitekturen für Batch- und Echtzeit-Datenverarbeitung kennenlernen und Daten aus Datenbanken und APIs beziehen.
- Datenmodellierung mit dbt und Datenpipelines mit Prefect aufbauen.
- Eine Feature-Engineering-Pipeline in der Cloud für das eigene Data-Science-Projekt einrichten.
Phase 3: MLOps – ML Engineering
- Den Lebenszyklus des maschinellen Lernens verstehen und Data-Science-Produkte in die Produktion überführen.
- Testverfahren für Machine-Learning-Systeme anwenden.
- Bereitstellungsstrategien und Containerisierung praktisch umsetzen.
Phase 4: MLOps – Model Monitoring & Alerting
- Machine-Learning-Produkte im Produktiveinsatz zuverlässig und langfristig betreiben.
- Bereitgestellte Modelle überwachen und warten.
- Alerting einrichten, damit Qualitätsverluste früh auffallen.
Phase 5: Aufbau von KI-Systemen
- LLM-Architekturen, Embeddings, Vektorsuche und Prompt Engineering verstehen.
- Retrieval-Augmented-Generation-Pipelines (RAG) aufbauen sowie kleine Modelle feinabstimmen und evaluieren.
- Agentenbasierte Systeme mit Frameworks wie LangChain, PydanticAI und MCP entwerfen.
Phase 6: LLM Ops – Einsatz von KI-Systemen
- LLM-Anwendungen als FastAPI-Dienste entwickeln und mit Docker containerisieren.
- KI-Systeme auf Google Cloud Run bereitstellen.
- Monitoring und Observability integrieren und vollständige RAG- und Agenten-Pipelines von Anfang bis Ende bereitstellen.
Phase 7: Capstone-Projekt
- Im Team ein komplettes Machine-Learning-System für ein reales Problem entwerfen, entwickeln, implementieren und überwachen.
- Best Practices aus Softwareentwicklung, Data Engineering, ML Engineering, Modellüberwachung und LLM-Entwicklung anwenden.
- Abschlusspräsentation mit Live-Demonstration der eigenen Lösung.
