In der heutigen, von KI geprägten Welt ist die Optimierung großer Sprachmodelle für bestimmte Fachbereiche bei gleichzeitiger Kostenkontrolle eine entscheidende Wettbewerbsfähigkeit. Dieser Kurs vermittelt KI-Ingenieuren, ML-Praktikern und Datenwissenschaftlern die Fähigkeiten, generative Basismodelle in effiziente, produktionsreife Lösungen umzuwandeln. In praktischen Übungen mit Hugging Face Transformers, PEFT und Evaluate erlernen Sie Dekodierungsstrategien (Temperature, Top-k, Top-p, Beam Search), automatisierte Bewertung (BLEU, ROUGE, BERTScore, benutzerdefinierte Metriken) sowie das parametereffiziente Fine-Tuning (LoRA), das die Anzahl der trainierbaren Parameter um 99 % reduziert, ohne dass dabei Qualitätseinbußen entstehen. In praxisnahen Projekten lernen Sie das Fine-Tuning von Modellen mit über 7 Milliarden Parametern für rechtliche, medizinische und finanzielle Anwendungen kennen und analysieren dabei die Kosten für GPU-Rechenzeit und Inferenz. Das Abschlussprojekt simuliert reale Einschränkungen – begrenzter GPU-Speicher, Latenz, Budget und Compliance – und erfordert technische, analytische und führungsbezogene Ergebnisse. Am Ende des Kurses werden Sie LLMs souverän optimieren und bewerten können und dabei Qualität, Leistung und Kosten für fortgeschrittene Rollen im LLM-Engineering, MLOps und der KI-Produktentwicklung in Einklang bringen.

Dieser Kurs ist ideal für DevOps-Ingenieure, SREs, Cloud-Ingenieure und Entwickler, die containerisierte Anwendungen verwalten und Bereitstellungen mit Helm optimieren möchten. Er eignet sich außerdem für technische Leiter und Ingenieure, die CI/CD- oder GitOps-Pipelines für moderne, skalierbare Systeme entwerfen oder warten. Teilnehmer sollten über grundlegende Kenntnisse in Python, ein Verständnis der Grundlagen des maschinellen Lernens sowie Vertrautheit mit Konzepten der natürlichen Sprachverarbeitung (NLP) und Frameworks für maschinelles Lernen verfügen, um den Kursinhalt voll und ganz nutzen zu können. Die Teilnehmer sollten über grundlegende Kenntnisse in Python, ein Verständnis der Grundlagen des maschinellen Lernens sowie Vertrautheit mit Konzepten der natürlichen Sprachverarbeitung (NLP) und Frameworks für maschinelles Lernen verfügen, um den Kursinhalten voll und ganz folgen zu können.