„AI-Anomalien erkennen: Ausreißer in Echtzeit“ ist ein Kurs für Fortgeschrittene, der sich an MLOps-Ingenieure und Datenwissenschaftler richtet, deren Aufgabe es ist, die Zuverlässigkeit von KI-Systemen im Produktivbetrieb sicherzustellen. Statische Warnmeldungen versagen bei dynamischen Daten, wodurch Systeme anfällig für „stille Ausfälle“ werden. In diesem Kurs lernen Sie, ein intelligentes Frühwarnsystem zu entwickeln, das kritische Probleme erkennt, bevor sie eskalieren.

Sie lernen, statistische Methoden wie den Z-Score und den exponentiell gewichteten gleitenden Durchschnitt (EWMA) auf Streaming-Daten anzuwenden, um plötzliche Ausreißer mit dynamischen Schwellenwerten zu erkennen. Anschließend gehen Sie über einfache Statistik hinaus und nutzen unüberwachte Lernmodelle wie den Isolation Forest, um subtile, komplexe Anomalien aufzudecken, die andere Methoden übersehen. In praktischen Übungen erlernen Sie die entscheidende Fähigkeit der kontextbezogenen Analyse – Sie lernen, einen echten Systemausfall von einer harmlosen Datenabweichung zu unterscheiden. Sie werden Modellparameter optimieren, um Fehlalarme zu minimieren, die Alarmmüdigkeit zu reduzieren und robuste Überwachungspipelines aufzubauen, die die Grundlage moderner MLOps bilden.