AI Operations

Im Berufsleben sind AI-Modelle nur dann wertvoll, wenn sie stabil laufen, nachvollziehbar sind und sich laufend an neue Daten anpassen.

Daher erwerben Studierende in diesem Modul Kompetenzen für den Betrieb und die Skalierung von AI-Modellen in produktiven IT-Umgebungen. Im Fokus stehen nicht das Modelltraining, sondern die betriebliche Realität: Versionierung, Deployment, Monitoring und Governance. Ergänzend wird mit Maturity Models gearbeitet, um typische Entwicklungsstufen in Organisationen zu analysieren und bewerten zu können.

Im Rahmen einer individuellen Projektarbeit deployen die Studierenden ein eigenes KI-Modell (z. B. ein Klassifikationsmodell) in einer PaaS-Umgebung, stellen es über eine API bereit und definieren einen geregelten Betriebsprozess. Dabei wenden sie ein an AI Operations angepasstes Vorgehensmodell auf Basis des SAFe-Frameworks an.

Wissen und Verstehen: Die Studierenden ...

• verstehen die betrieblichen, technischen und organisatorischen Anforderungen an den stabilen, sicheren und skalierbaren Einsatz von AI-Modellen in produktiven IT-Umgebungen.

Anwendung von Wissen und Verstehen: Die Studierenden ...

• wenden Konzepte, Vorgehensmodelle und Tools aus dem AI-Ops-Kontext an, um AI-Modelle in produktiven Umgebungen bereitzustellen und zu überwachen.

• Einführung & Orientierung (Ziele von AI-Ops, Überblick AI-Ops-Lifecycle)
• Maturity Models & Reifegradbewertung
• AI-Lifecycle Management (Vorgehensmodell auf Basis des SAFe-Frameworks )
• Infrastrukturvarianten (On-Prem vs. Cloud, Einblick in Hyperscaler, …)
• Deployment Pattern
• Governance & Compliance im Betrieb
• Monitoring & Servicequalität

Vorlesung, Übung, Diskussion, Präsentation, Fallstudien

keine

Anwesenheit erwartet

Note 1 – 6 (halbe Noten)