Sie lernen Techniken zur MTTR-Trendanalyse kennen, mit denen sich Muster der Systemresilienz erkennen lassen und proaktive Verbesserungen der Infrastruktur für den KI-Betrieb ermöglicht werden.

Sie werden umfassende Governance-Rahmenwerke mit durchsetzbaren Richtlinien und technischen Schutzmaßnahmen entwerfen, die einen verantwortungsvollen Einsatz von KI gewährleisten und gleichzeitig Innovationen im Unternehmen ermöglichen.

Sie lernen systematische Rahmenkonzepte zur Messung und Minderung algorithmischer Verzerrungen mithilfe von Fairness-Kennzahlen wie demografischer Parität und ausgeglichenen Chancen kennen, wodurch Sie in die Lage versetzt werden, unternehmensgerechte ethische Risikobewertungen für den Einsatz von KI durchzuführen.

Sie werden OKR-Frameworks und Methoden zur Initiativenkartierung anwenden, um KI-Roadmaps anhand der Unternehmensziele zu bewerten, den ROI zu berechnen und strategische Lücken zu identifizieren, um die Unterstützung der Geschäftsleitung für KI-Investitionen zu sichern.

Sie werden umfassende Governance-Rahmenwerke und Organisationsstrukturen für KI-Kompetenzzentren entwickeln und Leitlinien erstellen, die bewährte Verfahren standardisieren und unternehmensweit skalierbare, konforme KI-Abläufe ermöglichen.

Sie werden das Gleichgewicht zwischen Modellleistung und Interpretierbarkeit in Produktionsumgebungen systematisch bewerten, indem Sie ein vierdimensionales Bewertungsrahmenwerk anwenden, das die Regulierungsintensität, die Einbindung von Stakeholdern, die Auswirkungen auf Entscheidungen und technische Einschränkungen berücksichtigt. Anhand von Branchenbeispielen von Netflix, Airbnb und Goldman Sachs lernen die Teilnehmer, Leistungs-Interpretierbarkeits-Grenzen abzubilden, Mindestleistungsschwellen festzulegen und evidenzbasierte Entscheidungen zur Modellauswahl zu treffen, die den geschäftlichen Kontext widerspiegeln, anstatt standardmäßig auf maximale Genauigkeit oder maximale Interpretierbarkeit zu setzen.

Sie werden strenge statistische Testverfahren implementieren, um Algorithmusverbesserungen durch gepaarte t-Tests, Bootstrap-Resampling, Signifikanztests mit Kreuzvalidierung und A/B-Experimente in der Produktion zu validieren. Die Teilnehmer lernen, echte algorithmische Verbesserungen von zufälligen Schwankungen zu unterscheiden, indem sie p-Werte, Effektgrößen und Konfidenzintervalle berechnen. Dabei erfahren sie, wie Netflix, Goldman Sachs und Airbnb statistische Validierung einsetzen, um kostspielige Fehler bei der Bereitstellung zu vermeiden, die dadurch entstehen, dass Messrauschen fälschlicherweise als echte Leistungssteigerungen interpretiert wird.

Sie werden produktionsreife Ensemble-Systeme entwerfen, die verschiedene Algorithmen mithilfe von Bagging-, Boosting- und Stacking-Methoden kombinieren, um eine überragende Robustheit und Leistung zu erzielen. Die Teilnehmer werden strategische Diversitätsmechanismen implementieren, die Rechenkomplexität gegen Leistungsgewinne abwägen und Systeme mit „Graceful Degradation“-Fähigkeiten entwerfen. Anhand von Beispielen aus dem Empfehlungssystem von Netflix mit über 107 Algorithmen und den Handelsalgorithmen von Goldman Sachs werden die Teilnehmer verstehen, wie Branchenführer Ensemble-Architekturen entwickeln, die unter unvorhersehbaren Produktionsbedingungen eine konsistente Leistung gewährleisten.

Sie werden ML-Modelle mithilfe von SHAP- und LIME-Verfahren auswerten, um Verzerrungen zu erkennen und Fairness sicherzustellen. Dieses Modul behandelt die Erstellung von Erklärungen zur Merkmalsbedeutung, die Erstellung von Visualisierungen zur Veranschaulichung der Modelllogik sowie die Segmentierung der Analyse nach demografischen Merkmalen, um ungleiche Auswirkungen zu identifizieren. Die Teilnehmer berechnen Fairness-Metriken wie demografische Parität und Chancengleichheit, verknüpfen Erkenntnisse zur Interpretierbarkeit mit Strategien zur Beseitigung von Verzerrungen und wenden Techniken an, die von Amazon SageMaker Clarify für verantwortungsvollen KI-Einsatz im Unternehmensmaßstab genutzt werden.

Sie werden Aktualisierungen von ML-Modellen anhand kontrollierter A/B-Tests bewerten, die die tatsächlichen geschäftlichen Auswirkungen mit statistischer Genauigkeit messen. Dieses Modul behandelt die Versuchsplanung, einschließlich der Hypothesenbildung, der Auswahl von Kennzahlen mit Begrenzungen, Randomisierungsstrategien und der Berechnung der Stichprobengröße. Die Teilnehmer werden statistische Tests mit Python durchführen, um echte Verbesserungen von Zufallsschwankungen zu unterscheiden, Konfidenzintervalle und p-Werte zu interpretieren sowie Validierungsframeworks anzuwenden, die von den Produktionsteams bei ShopBack und AWS genutzt werden, um kostspielige Fehler bei der Bereitstellung zu vermeiden.

Sie werden mithilfe von MLflow automatisierte Experimentier-Frameworks entwerfen, die die Nachverfolgung, Metriken und Analysen standardisieren, um Innovationen zu beschleunigen. Dieses Modul behandelt sechs architektonische Komponenten, darunter Experiment-Register, die Berechnung von Metriken mit dbt und die Automatisierung statistischer Auswertungen. Durch die Auswahl von Technologien, bei der die Abwägung zwischen Eigenentwicklung und Kauf von Lösungen im Vordergrund steht, sowie durch die Integration mit Tools wie Snowflake und Airflow erstellen die Teilnehmer Implementierungs-Roadmaps, mit denen Teams von 10–20 manuellen Experimenten auf 50–100+ automatisierte Experimente pro Jahr skalieren können – und das mit einer einheitlichen Methodik.

Sie entwickeln umfassende KI-Governance-Rahmenwerke, die Leistungsüberwachung, ethische Kontrolle und strategische Entscheidungsfindung für einen zuverlässigen KI-Betrieb integrieren. Dieses Modul behandelt vier grundlegende Komponenten, darunter die Analyse von Nutzersegmenten, die Bewertung technischer Kompromisse, Governance-Richtlinien mit menschlicher Aufsicht sowie experimentelle Validierungsprozesse. Mithilfe von Vorlagen für die systematische Überwachung, Entscheidungsrichtlinien und A/B-Test-Rahmenwerken erstellen die Teilnehmer Implementierungs-Roadmaps, die es Unternehmen ermöglichen, KI-Systeme zu skalieren und dabei eine gerechte Dienstleistungserbringung aufrechtzuerhalten, Risiken zu managen und statistische Genauigkeit bei Einführungsentscheidungen über sechsmonatige Rollout-Zyklen hinweg sicherzustellen.