CAS AI Operations
Betreibe ML-Modelle, Sprachmodelle, Chatbots, RAG-Workflows und Multi-Agent-Systeme skalierbar, sicher und automatisiert in Cloud- und On-Prem-Umgebungen und integriere sie nahtlos in die bestehende IT-Infrastruktur.
Eckdaten
- Abschluss
- CAS
- ECTS-Punkte
- 12
- Nächster Start
- 14. März 2026
- Dauer
- 16 Kurstage
- Unterrichtstage
- Fr./Sa.
- Unterrichtssprache
- Deutsch und Englisch
- Durchführungsort(e)
- FHNW Campus Brugg-Windisch
- Preis
- CHF 6'300
Die Integration in den Betrieb ist der entscheidende Schritt, damit AI-Anwendungen echten Mehrwert liefern. Im CAS AI Operations lernst du, AI-Modelle skalierbar, ausfallsicher, nachvollziehbar und regelkonform On-Prem wie auch in der Cloud zu betreiben.
Du setzt dich mit modernen MLOps-Konzepten, Plattformen, Tools und Architekturen auseinander, um AI für Batch- und Stream-Processing Anwendungen professionell in den Betrieb zu bringen. Dies umfasst die komplette Bandbreite von Containerisierung und CI/CD-Automatisierung über kontinuierliches Monitoring, Feedback-Loops bis hin zu unterbrechungsfreiem Re-Deployment. Dabei lernst du, wie du verschiedene Architekturen und Infrastrukturen für den Betrieb eigener Modelle, Chatbots, RAG-Systeme, Sprachmodelle und (Multi-)Agentensysteme in Bezug auf Skalierung, Datenschutz, Kosten und Lock-In-Risiken bewertest und umsetzt. Zentrale Themen sind die Sicherstellung der Modellqualität über den gesamten Lebenszyklus, die Integration in bestehende IT-Landschaften sowie der Aufbau von Enterprise-Grade-Deployments mit Tools und Plattformen wie Databricks, orchestrierten Pipelines, Feature Stores und Cloud-Infrastruktur. Ergänzend lernst du Governance- und Sicherheitsaspekte sowie Strategien zur Kostenoptimierung und Skalierung kennen.
- AI Projektzyklus
- Gängige Tools & Best Practices in AI-Projekten
- Typische Projektstrukturen & Dokumentation in AI Projekten
- Produkt-Entwicklung: Vom Notebook zur produktionsreifen Anwendung
- Verwendung von GPU-Clustern für rechenintensive Modell-Trainings
- Tracking von Experimenten
- Versionsverwaltung und Datenmanagement
- Einführung in Computer Vision: Grundkonzepte, Anwendungen und Herausforderungen
- Datenmanagement und Annotations-Strategien von Bilddaten
- Image Preprocessing und Augmentation-Pipelines
- Core Vision Architekturen, Training & Evaluation
- Experiment-Tracking und Visualisierung von Resultaten
- Nutzung von GPU-Clustern und Job-Scheduling mit Slurm
- Best Practices für das Testen und Validieren von Vision-Pipelines
- Einführung in MLOps: Konzepte, Herausforderungen und Best Practices
- Aufbau von Batch- und Streaming-Pipelines für Inferenz
- Deployment-Strategien (z.B. Canary, Blue/Green, Shadow, A/B Testing)
- Experiment Tracking und Model Management mit MLflow
- Testing von ML Systemen
- Evaluation von ML Modellen (Offline & Online)
- Feedback-Loop
- Monitoring und Drift Detection
- Feature Stores, Data Validation und Orchestrierung
- Automatisierung und Integration mit CI/CD
- Hands-on-Labs in Cloud- und On-Prem-Umgebungen
- Deployment und Skalierung von kleinen NLP-Modellen On-Prem und in einem Cloud-agnostischen Setup
- Aufbau von Batch- und Streaming-Pipelines für Textanalyse und Chatbots
- Vergleich verschiedener Cloud Deployment Strategien
- Entwicklung und Betrieb von RAG-Architekturen
- LLM Security (u.a. Prompt Injection, Data Leakage, Jailbreak Prevention)
- Load-Testing und Skalierbarkeit (inkl. Kosten- & Latenzmessung)
- Asynchrone Verarbeitung, Load Balancing und Auto-Scaling
- Kostenoptimierung, Latenzmanagement und Cold-Start-Strategien
- Governance, Compliance und Performance-Tuning für NLP-Workloads
- Design und Betrieb von Workflow- und Multi-Agent-Systemen
- AI Agent Design Patterns
- Context-Management, Speicherstrategien und Tool-Integration
- Monitoring, Evaluation und Traceability von Agentenverhalten
- Agent-Anpassung durch Feedback-Loops und Reinforcement Learning
- Einsatz von Frameworks wie LangChain, LangGraph oder MCP
- Testing, Quality Assurance und Red Teaming für Agentensysteme
- AI-Governance und regulatorische Anforderungen (EU AI Act, GDPR, FINMA)
- Risikoanalyse und Bedrohungsmodellierung für Daten, Modelle und Systeme
- Definition von Anforderungen an Qualitätssicherung und Monitoring
- Security-Engineering für AI-Pipelines
- Audit-Trails & Nachvollziehbarkeit anhand regulatorischer und unternehmensinterner Rahmenbedingungen
- Unterschiede zu traditioneller Software-Architektur & Software-Teams
- ML Plattform Komponenten & Infrastruktur
- Entscheidungskriterien & System Design für verschiedene AI-Systeme und Use-Cases
- Strategien und Herausforderungen bei der Integration von AI-Systemen in bestehende Systeme
- Skalierungsstrategien und Kostenmanagement
- Best Practices aus realen Projekten und produktiven Umgebungen
Fachpersonen aus der IT oder Personen mit technischem Interesse, die zukünftig skalierbare AI-Anwendungen On-Prem oder in der Cloud planen, realisieren und produktiv betreiben möchten.
Maximal 20 Personen pro Klasse
Die Aufnahmebedingungen umfassen:
- Du bist bereits in der Informatik tätig oder hast technisches Interesse an der Integration und dem produktiven Betrieb von AI-Lösungen. Python-Kenntnisse und grundlegendes Verständnis zu Machine Learning und AI sind empfohlen; können aber auch im Rahmen der Kursvorbereitung erarbeitet werden.
- Abschluss einer Fachhochschule, Universität, technischen Hochschule oder eine Berufsausbildung mit Praxiserfahrung. Studierende, die über keinen Hochschulabschluss verfügen, können (sur Dossier) zugelassen werden, wenn sich die Befähigung zur Teilnahme aus einem anderen Nachweis ergibt.
Du arbeitest während der Kurszeit am eigenen Notebook. Du musst in der Lage sein, neue Software auf diesem Rechner zu installieren.
Der Grossteil der Dozierenden dieses Weiterbildungslehrgangs kommen aus der Privatwirtschaft; die restlichen aus der angewandten Forschung. Dies hat den grossen Vorteil, dass die Dozierenden nicht einfach nur den Inhalt aus Lehrbüchern vermitteln, sondern zusätzlich aufgrund ihrer langjährigen Erfahrungen in der Lage sind, begründet zu erklären, welche Konzepte und Technologien sich in verschiedenen Anwendungsfällen der Praxis bewährt haben.
Übersicht Weiterbildungsangebote im Bereich Data Science
