Dieses Modul befasst sich mit der Entwicklung robuster, skalierbarer Architekturen für LLM-Anwendungen. Sie wenden die 12-Factor-App-Methodik an, um portable, cloud-native Microservices zu entwerfen, und eignen sich dabei Kenntnisse im stateless Design und im Abhängigkeitsmanagement an. Der Lehrplan verbindet Theorie und Praxis durch die Bewertung von Multi-Region-Bereitstellungsstrategien im Hinblick auf Fehlertoleranz und Hochverfügbarkeit. Sie lernen, Failover-Mechanismen zu analysieren und architektonische Risiken vor der Produktionsbereitstellung zu minimieren. Am Ende sind Sie in der Lage, zuverlässige und zukunftssichere KI-Systeme zu dokumentieren. Zu den Voraussetzungen gehören grundlegende Kenntnisse über Cloud-Konzepte (Regionen/Zonen) und die Grundlagen von Microservices (Container/APIs).

In diesem Modul lernen Sie, wie Sie LLM-Prototypen in produktionsreife Dienste überführen. Sie lernen, mehrstufige Architekturen wie RAG zu analysieren, um Leistungsengpässe mithilfe evidenzbasierter Metriken zu identifizieren und zu quantifizieren. Der Lehrplan konzentriert sich auf die Beherrschung der Kubernetes-Bereitstellung durch deklarative Helm-Charts und die Implementierung von Horizontal Pod Autoscaling (HPA) zur Bewältigung unvorhersehbarer Zugriffszahlen. Durch die Auseinandersetzung mit Deployment-Lebenszyklen, einschließlich kontrollierter Rollouts und schneller Rollbacks, erwerben Sie die Fähigkeiten, fragile Prototypen in robuste, skalierbare und zuverlässige Produktionssysteme umzuwandeln, die reale Lasten bewältigen können.

In der dynamischen Datenlandschaft von heute kommt es häufig zu Ausfällen von Pipelines, wenn sich die Strukturen der Quelldaten unerwartet ändern – ein Problem, das als „Schema Drift“ bekannt ist. Dieses Modul geht diese Herausforderung direkt an und vermittelt Ihnen, wie Sie mit Apache Airflow Datenpipelines entwerfen und automatisieren, die Schemaänderungen reibungslos bewältigen können. Am Ende des Moduls sind Sie in der Lage, robuste, skalierbare und vollständig automatisierte Datenpipelines zu erstellen, die den Komplexitäten realer Datenumgebungen gewachsen sind.

In diesem Modul schlüpfen Sie in die verantwortungsvolle Rolle eines leitenden Systemingenieurs, der mit der Fehlerdiagnose eines ausgefallenen KI-Dienstes betraut ist. Ein kritisches RAG-System (Retrieval-Augmented Generation) leidet unter hoher Latenz und zeitweiligen Ausfällen, und Sie müssen dem Problem auf den Grund gehen. Anhand von Architekturdiagrammen, Systemprotokollen und Leistungskennzahlen analysieren Sie den Aufbau des Systems, um den primären Leistungsengpass und den wichtigsten Single Point of Failure zu identifizieren. Ihre Analyse mündet in einem prägnanten, aus zwei Absätzen bestehenden Bericht für die Beteiligten, in dem Sie die kritischen Probleme aufzeigen und gezielte Maßnahmen zur Wiederherstellung von Stabilität und Leistung empfehlen.