Data-Centric AI Engineering and Dataset Iteration widmet sich den spezifischen Anforderungen von AI Engineering und der strategischen Optimierung von Datensätzen als Kernelement moderner KI-Systeme. Im Unterschied zu allgemeinen Kursen im Bereich Künstliche Intelligenz liegt hier der Fokus auf dem iterativen Datenmanagement, der Entwicklung und Aktualisierung von Datenpipelines sowie dem gezielten Einsatz von Machine Learning, Deep Learning und Data Engineering, um die Leistungsfähigkeit neuronaler Netze, Computer Vision und Natural Language Processing gezielt zu steigern. Zentrale Themen umfassen die Integration von Python, TensorFlow und PyTorch, wodurch die technische Umsetzung für die praktische Arbeit im AI Engineering intensiv vertieft wird.
Grundlagen von AI Engineering- AI Engineering - zentrale Begriffe wie Künstliche Intelligenz, Machine Learning, Deep Learning, Neuronale Netze und deren strategische Bedeutung
- Anforderungen an Data Science, Data Engineering und Datenqualität
- Governance zu Data-Centric Ansatz und ethische KI
- Bedeutung von Prompt Engineering und automationsgestützten Methoden zur Datenaufbereitung
- Künstliche Intelligenz und Compliance im Unternehmenskontext
- Rolle von Natural Language Processing und Computer Vision in modernen Projekten
- Lessons Learned aus KI-basierten, datengetriebenen Projekten
Technologien und Implementierungsstrategien
- Integration von Python, TensorFlow und PyTorch für Machine Learning und Deep Learning
- Datenpipeline-Design und Automatisierung im AI Engineering
- Schnittstellen zu Model Deployment, MLOps und KI-Operations
- Sicherheitskonzepte - Datenschutz und Zugriffssicherheit bei Datentransfers
- Computersehen und Sprachverarbeitung mit Neural Networks
- Plattformvergleiche: Cloud, On-Premise, Hybrid-Modelle
- Auditierbarkeit und ethische Standards bei Künstlicher Intelligenz
Praktische Anwendung und Best Practices
- Hands-on mit realen Datensätzen und iterativer Entwicklung von Modellen
- Prompt-Entwicklung zur Optimierung in KI- und NLP-Anwendungen
- Entwicklung automatisierter Test-, Validierungs- und Wartungsprozesse
- Incident Response im Zusammenhang mit fehlerhaften Datensätzen
- Modellbereitstellung, Nachoptimierung mit Data Engineering
- Forensik und Fehleranalyse bei Machine Learning-Lösungen
- Dokumentation und kontinuierliche Verbesserung von Datenpipelines
Monitoring, Optimierung und Governance
- Monitoring von Modellen und Datenflüssen mittels MLOps-Werkzeugen
- Performance-Messung und Dashboarding für Data Science-Anwendungen