MLOps-Infrastruktur entwerfen und aufbauen
- Ressourcen in einem Machine-Learning-Workspace anlegen und verwalten
- Assets im Workspace verwalten: Daten, Umgebungen, Compute
- Infrastructure as Code für Machine Learning mit Bicep und Azure CLI
Modell-Lebenszyklus und Betrieb
- Modelltraining orchestrieren und automatisieren
- Modelle registrieren und versionieren
- Modelle für Produktivumgebungen bereitstellen
- Modelle im Betrieb überwachen und pflegen
GenAIOps-Infrastruktur
- Foundry-Umgebungen und Plattformkonfiguration umsetzen
- Foundation Models für produktive Workloads bereitstellen und verwalten
- Prompts versionieren und über die Quellcodeverwaltung steuern
Qualitätssicherung und Observability für generative KI
- Evaluation und Validierung für generative Anwendungen und Agents einrichten
- Observability für generative Anwendungen und Agents umsetzen
Generative Systeme und Modellleistung optimieren
- RAG-Leistung und Antwortgüte verbessern
- Fortgeschrittenes Fine-Tuning und Modellanpassung
