Schulungsübersicht
Architektur-Grundlagen für KI-Systeme
- Schichten, Grenzen und Separation of Concerns
- Anwendung von Ports und Adaptern auf KI-Komponenten
- Qualitätsattribut-Szenarien für KI-Funktionen
- Architektur-Entscheidungsprotokolle als Governance-Instrument
Evolution bestehender Anwendungen
- Inkrementelle Modernisierung statt Neuimplementierung
- Positionierung von KI-Diensten neben einem bestehenden Monolithen
- Strangler-Pattern und Anti-Corruption-Layer-Patterns
- Integrationsnähte für bestehende APIs und Daten
Architekturmuster für die LLM-Integration
- Modell-Gateway als Abstraktionsgrenze
- Synchrone, asynchrone und Streaming-Integration
- Fallbacks, Degradation und Provider-Failover
- Prompts und Modellkonfigurationen als versionierte Artefakte
Verträge, APIs und Datenaustausch
- Strukturierte Ausgabe-Schemas und Validierung
- Idempotenz, Wiederholungsversuche und Rate Limiting
- Latenzbudgets und Timeout-Orchestrierung
- Kosten pro Anfrage als architektonische Einschränkung
RAG-Architektur von Ende zu Ende
- Ingestion, Chunking und Embedding-Pipeline
- Indexierung, Abruf, Re-Ranking und Generierungsstufen
- Positionierung des Retrievals im Verhältnis zu Anwendungsdiensten
- Abwägungen und Fehlermodi in jeder Stufe
Vektordatenbanken und Retrieval-Design
- Verwaltete versus selbst gehostete Vektorspeicher
- Dichte, spärliche und hybride Suche
- Metadatenfilterung und Tenant-Isolation
- Neu-Embedding-Strategie bei Modellwechseln
Retrieval-Qualität, Grounding und Evaluierung
- Evaluierungsdatensätze basierend auf echten Anfragen
- Metriken für Retrieval- und Antwortqualität
- Zitierfähigkeit, Grounding und Kontrolle von Halluzinationen
- Feedback-Schleifen in den Index
Agent-Architekturen
- Der Agent-Loop und die Tool-Aufrufe
- Deterministische Workflows versus autonome Planner
- Fälle, in denen ein Agent die falsche Antwort ist
- Abgrenzung der Agentenverantwortlichkeiten und Zustände
Mult-Agent-Systeme und Orchestrierung
- Supervisor- und Orchestrator-Topologien
- Handoff-Protokolle und Nachrichtenverträge
- Gemeinsamer Speicher und Kontextverwaltung
- Rahmenwerkvglleich auf architektonischer Ebene
Dienstkommunikation und Tool-Protokolle
- Ereignisgesteuerte und queuesbasierte Koordination
- Bereitstellung von Tools über Standardprotokolle
- Sagas, Kompensation und langlebige Transaktionen
- Beobachtbarkeit über Dienstepen hinweg
KI-Agenten im Entwicklungsworkflow
- Coding-Agenten in der Bereitstellungspipeline
- Spektrumsgetriebene Entwicklung und Review-Gates
- Testgenerierung und automatisierte Qualitätsprüfungen
- Sicherheitsmechanismen zur Wahrung der architektonischen Kontrolle
Governance und Softwarequalität
- Design-Reviews für KI-Funktionen
- Change-Management für Modelle und Prompts
- Regressionstests als Pipeline-Stufe
- Verantwortung, Richtlinien und Genehmigungswege
Sicherheit, Datenschutz und Daten-Governance
- Prompt-Injection und Defense in Depth
- Geheimnisse, Zugriffskontrolle und Least-Privilege-Prinzip
- Datenresidenz, personenbezogene Daten und Aufbewahrung
- Prüfbarkeit und Human-in-the-Loop-Kontrollen
Skalierbarkeit, Kosten und Beobachtbarkeit
- Tracing über Agentenketten hinweg
- Token- und Kosten-Telemetrie
- Caching und Latenzoptimierung
- Service-Level-Agreements und Incident Response für KI-Dienste
Capstone: Architektur für eine KI-gestützte Lösung
- Kontext-, Komponenten- und Deployment-Ansichten
- Design der Retrieval- und Agenten-Orchestrierung
- Planung für Sicherheit, Governance und Kosten
- Peer-Review, Kritik und Migrationsroadmap
Voraussetzungen
- Erfahrung im Entwurf und in der Wartung produktiver Software-Systeme
- Arbeitskenntnisse in REST-APIs und Service-Integration
- Vertrautheit mit relationalen Datenbanken und Datenmodellierung
- Grundlegende Erfahrungen mit LLM-basierten Tools oder APIs
Zielgruppe
- Softwarearchitekten
- Technikleiter und Senior-Ingenieure
- Engineering-Manager, die für Architektur-Entscheidungen zuständig sind
Erfahrungsberichte (1)
Ich habe Wissen über die Streamlit-Bibliothek von Python erworben und werde sie sicherlich verwenden, um Anwendungen in meinem Team zu verbessern, die mit R Shiny erstellt wurden.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurs - GitHub Copilot for Developers
Maschinelle Übersetzung