Schulungsübersicht
Architekturbasics für KI-Systeme
- Schichten, Grenzen und Trennung von Verantwortlichkeiten
- Ports und Adapter angewendet auf KI-Komponenten
- Qualitätsattribut-Szenarien für KI-Funktionen
- Architektur-Entscheidungsprotokolle als Governance-Instrument
Entwicklung einer bestehenden Anwendung
- Inkrementelle Modernisierung statt Neuschreibung
- Platzierung von KI-Services neben einem bestehenden Monolithen
- Strangler- und Anti-Korruption-Layer-Muster
- Integrationsschnitte für bestehende APIs und Daten
Architekturmuster für LLM-Integration
- Modell-Gateway als Abstraktionsschranke
- Synchrone, asynchrone und Streaming-Integration
- Fallbacks, Degradierung und Provider-Failover
- Prompts und Modellkonfigurationen als versionierte Assets
Verträge, APIs und Datenaustausch
- Strukturierte Ausgabeschemata und Validierung
- Idempotenz, Retries und Rate Limiting
- Latenz-Budgets und Timeout-Orchestrierung
- Kosten pro Anfrage als architektonische Einschränkung
RAG-Architektur von Anfang bis Ende
- Pipeline für Ingestion, Chunking und Embedding
- Stufen für Indexierung, Retrieval, Reranking und Generierung
- Positionierung des Retrievals relativ zu Anwendungsdiensten
- Vorteile, Nachteile und Fehlermodi jeder Stufe
Vektordatenbanken und Retrieval-Design
- Verwaltete versus selbst gehostete Vektorspeicher
- Dichte, spärliche und hybride Suche
- Metadatenfilterung und Tenant-Isolation
- Re-Embedding-Strategie bei Modellwechsel
Retrieval-Qualität, Grounding und Evaluation
- Evaluationssets basierend auf echten Abfragen
- Metriken für Retrieval- und Antwortqualität
- Zitierfähigkeit, Grounding und Halluzinationsbegrenzung
- Feedback-Schleifen zurück in den Index
Agentenarchitekturen
- Der Agenten-Laufkreis und die Tool-Aufrufe
- Deterministische Workflows versus autonome Planer
- Fälle, in denen ein Agent die falsche Lösung ist
- Abgrenzung der Zuständigkeiten und des Zustands von Agenten
Multi-Agenten-Systeme und Orchestrierung
- Supervisor- und Orchestrator-Topologien
- Übergabeprotokolle und Nachrichtenverträge
- Gemeinsamer Speicher und Kontextverwaltung
- Framework-Vergleich auf architektonischer Ebene
Dienstkommunikation und Tool-Protokolle
- Event-getriebene und queue-basierte Koordination
- Tool-Exposition über Standardprotokolle
- Sagas, Kompensation und langlaufende Transaktionen
- Observability über Service-Hops hinweg
KI-Agenten im Entwicklungsworkflow
- Coding-Agenten in der Lieferpipeline
- Spez-getriebene Entwicklung und Review-Gates
- Testgenerierung und automatische Qualitätsprüfungen
- Guardrails zur Wahrung der architektonischen Kontrolle
Governance und Softwarequalität
- Design-Reviews für KI-Funktionen
- Verwaltung von Modell- und Promptänderungen
- Regressionsbewertung als Pipeline-Stufe
- Eigentum, Richtlinien und Genehmigungspfade
Sicherheit, Datenschutz und Daten-Governance
- Prompt-Injection und defense in depth (Verteidigung in mehreren Ebenen)
- Geheimnisse, Zugriffskontrolle und Least Privilege (Prinzip der geringsten Berechtigung)
- Datenresidenz, Personendaten und Aufbewahrung
- Auditierbarkeit und Human-in-the-loop-Kontrollen
Skalierbarkeit, Kosten und Observability
- 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
- Ansichten für Kontext, Komponenten und Deployment
- Design für Retrieval und Agenten-Orchestrierung
- Plan für Sicherheit, Governance und Kosten
- Peer-Review, Kritik und Migrationsroadmap
Voraussetzungen
- Erfahrung im Design und in der Wartung produktiver Softwaresysteme
- Praktisches Wissen über REST-APIs und Service-Integration
- Vertrautheit mit relationalen Datenbanken und Datenmodellierung
- Grundlegende Vorkenntnisse von LLM-basierten Tools oder APIs
Zielgruppe
- Softwarearchitekten
- Technische Leads und Senior Engineers
- Engineering Manager, die für Architekturentscheidungen verantwortlich 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