Das Seminarprogramm deckt den vollständigen Lebenszyklus einer privaten AI-Plattform ab: von Zielarchitektur und Kubernetes-Grundlage über Beschleuniger, Training, Modellbereitstellung, RAG und LLMOps bis zu Sicherheit, Governance und belastbarem Produktionsbetrieb.
Alle Seminare verfolgen einen herstellerneutralen Ansatz und setzen auf offene Schnittstellen, nachvollziehbare Lieferketten und selbst betreibbare Open-Source-Komponenten. Die modularen Seminare erlauben eine rollenbezogene Vertiefung; Kompakt- und Intensivformate verkürzen den Einstieg.
Empfohlener modularer Lernpfad
- Einstieg: Sovereign AI Architecture – Plattformdesign und technische Souveränität
- Plattformbasis: Kubernetes als Basis für Private-AI-Plattformen
- Ressourcen: Beschleuniger und GPU-Orchestrierung mit Kubernetes
- Automatisierung: GitOps und Infrastructure as Code für Sovereign AI
- Training: Training und Fine-Tuning auf Kubernetes mit Kubeflow Trainer und Kueue
- AI-Dienste: Serving und Inferenz mit KServe und vLLM
- Daten: RAG-Datenplattformen mit Open Source auf Kubernetes
- Lebenszyklus: LLMOps mit Kubeflow und MLflow
- Absicherung: Sicherheit und Zero Trust für Sovereign AI
- Getrennte Netze: Air-Gapped Private AI – Offline-Betrieb und Software-Lieferkette
- Steuerung: AI Governance für souveräne Plattformen – Richtlinien, Modelle und Nachweise
- Produktionsbetrieb: Monitoring und SRE für produktive AI-Plattformen
- Resilienz: Hochverfügbarkeit, Backup und Disaster Recovery für Private AI
- Wirtschaftlichkeit: FinOps für Private AI – Kapazität, Kosten und Energieeffizienz
Kompakter Einstieg
Das dreitägige Kompaktseminar vermittelt den Gesamtzusammenhang und baut einen vollständigen Minimalpfad auf. Es eignet sich für Architektur, Projektleitung und technische Rollen, die vor einer Spezialisierung ein gemeinsames Plattformverständnis benötigen.
Intensivroute
Die beiden fünftägigen Intensivseminare bilden gemeinsam das vollständige modulare Programm in verdichteter Form ab. Zuerst empfiehlt sich der Schwerpunkt Infrastruktur und Betrieb, anschließend der Schwerpunkt Modelle, Daten, Training und LLMOps. Bei bereits vorhandener Kubernetes-Plattform kann die Reihenfolge umgekehrt werden.
Auswahl nach Verantwortung
- Architektur und Leitung: Architektur, Governance, FinOps und Kompaktseminar
- Plattformbetrieb: Kubernetes, GPU, Kueue, GitOps, Security, Air Gap, SRE und Resilienz
- AI- und Data-Engineering: Training, Serving, RAG, LLMOps und Governance
- End-to-End-Verantwortung: beide Intensivseminare in der empfohlenen Reihenfolge
Seminarauswahl
Seminare zu diesem Hersteller
- AI Governance für souveräne Plattformen – Richtlinien, Modelle und Nachweise
- Air-Gapped Private AI – Offline-Betrieb und Software-Lieferkette
- Beschleuniger und GPU-Orchestrierung mit Kubernetes
- FinOps für Private AI – Kapazität, Kosten und Energieeffizienz
- GitOps und Infrastructure as Code für Sovereign AI
- Hochverfügbarkeit, Backup und Disaster Recovery für Private AI
- Kubernetes als Basis für Private-AI-Plattformen
- LLMOps mit Kubeflow und MLflow
- Monitoring und SRE für produktive AI-Plattformen
- Private AI mit Kubernetes und Open Source – Kompaktseminar
- RAG-Datenplattformen mit Open Source auf Kubernetes
- Serving und Inferenz mit KServe und vLLM
- Sicherheit und Zero Trust für Sovereign AI
- Sovereign AI Architecture – Plattformdesign und technische Souveränität
- Sovereign AI Platform Engineer – Infrastruktur und Betrieb intensiv
- Sovereign AI Platform Engineer – Modelle, Daten, Training und LLMOps intensiv
- Training und Fine-Tuning auf Kubernetes mit Kubeflow Trainer und Kueue
Seminarorte:
Durchführungsgarantie für jedes Training:
ja, ab 2 Teilnehmern
Öffentlich, Webinar, Inhaus, Workshop:
ja, sehr gerne
Unterlage im Seminar:
ja, auf Datenträger oder Download
Zertifikat für Ihre Teilnahme am Training:
ja, selbstverständlich
