Schulungsübersicht
Architekturgemeinschaften für KI-Systeme
- Schichten, Grenzen und Trennung der Zuständigkeiten
- Ports und Adapter angewendet auf KI-Komponenten
- Qualitätsattribut-Szenarien für KI-Funktionen
- Akteneintragungen über Architekturentscheide (Architecture Decision Records) als Governance-Instrument
Evolution einer bestehenden Anwendung
- Inkrementelle Modernisierung statt Neuschreibung
- Anordnung von KI-Diensten neben einem bestehenden Monolithen
- Muster für Strangler Pattern und Anti-Corruption Layer
- Integrationspunkte für bestehende APIs und Daten
Architekturmuster für LLM-Integration
- Model Gateway als Abstraktionsgrenze
- Synchrone, asynchrone und Streaming-Integration
- Fallback, Degradierung und Anbieter-Failover
- Prompts und Modellkonfiguration als versionierte Assets
Verträge, APIs und Datenaustausch
- Strukturierte Ausgangsschemata und Validierung
- Idempotenz, Retries und Ratenbegrenzung
- Latenzbudgets und Timeout-Orchestrierung
- Kosten pro Anfrage als architektonische Einschränkung
RAG-Architektur End-to-End
- Ingestion, Chunking und Embedding-Pipeline
- Phasen für Indexierung, Retrieval, Reranking und Generierung
- Platzierung des Retrievals relativ zu Anwendungsdiensten
- Trade-offs und Fehlerszenarien in jeder Phase
Vektordatenbanken und Retrieval-Design
- Verwaltete versus selbst gehostete Vektorspeicher
- Dichte, spärliche und hybride Suche
- Metadatensuche und Tenant-Isolation
- Strategie für erneutes Einbetten (Re-Embedding) bei Modellwechseln
Retrieval-Qualität, Grounding und Bewertung
- Bewertungssets basierend auf realen Abfragen
- Metriken für Retrieval- und Antwortqualität
- Zitierung, Grounding und Unterbindung von Halluzinationen
- Feedback-Schleifen zurück in den Index
Agenten-Architekturen
- Der Agenten-Loop und die Tool-Aufrufe
- Deterministische Workflows versus autonome Planer
- Fälle, in denen ein Agent die falsche Lösung ist
- Abgrenzung der Zuständigkeiten und des Zustands eines Agenten
Multi-Agenten-Systeme und Orchestrierung
- Supervisor- und Orchestrierer-Topologien
- Übergabeprotokolle und Nachrichtenverträge
- Gemeinsamer Speicher und Kontextmanagement
- Vergleich von Frameworks aus architektonischer Sicht
Dienstkommunikation und Tool-Protokolle
- Ereignisgesteuerte und queuebasierte Koordination
- Bereitstellung von Tools über Standardprotokolle
- Sagas, Kompensation und langlaufende Transaktionen
- Beobachtbarkeit über mehrere Diensthops hinweg
KI-Agenten im Entwicklungsworkflow
- Coding-Agenten in der Lieferpipeline
- Spektrationsbasierte Entwicklung und Review-Gates
- Testgenerierung und automatisierte Qualitätsprüfungen
- Schutzmassnahmen, die die architektonische Kontrolle erhalten
Governance und Softwarequalität
- Design-Review für KI-Funktionen
- Change-Management für Modelle und Prompts
- RegRESSION-Prüfung als Pipeline-Phase
- Zuständigkeiten, Richtlinien und Genehmigungswege
Sicherheit, Datenschutz und Daten-Governance
- Prompt-Injection und Verteidigung in mehreren Ebenen
- Secrets, Zugriffskontrolle und Least-Privilege-Prinzip
- Datenresidenz, personenbezogene Daten und Aufbewahrung
- Prüfbarkeit und Human-in-the-Loop-Kontrollen
Skalierbarkeit, Kosten und Beobachtbarkeit
- Tracing über Agentenketten hinweg
- Token- und Kosten-Telemetrie
- Caching und Latenzoptimierung
- Service-Level-Agreements und Incident-Response für KI-Dienste
Capstone: Architektur für eine KI-gestützte Lösung
- Sichtweisen auf Kontext, Komponenten und Deployment
- Design von Retrieval und Agenten-Orchestrierung
- Plan für Sicherheit, Governance und Kosten
- Peer-Review, Kritik und Migrationsroadmap
Voraussetzungen
- Erfahrung im Design und in der Wartung produktionsreifer Softwaresysteme
- Praktische Kenntnisse von REST-APIs und der Service-Integration
- Vertrautheit mit relationalen Datenbanken und Datenmodellierung
- Grundlegende Erfahrung mit LLM-basierten Tools oder APIs
Zielgruppe
- Softwarearchitekten
- Technische Leads und Senior Engineers
- Engineering-Manager, die für Architektur-Entscheidungen verantwortlich sind
Erfahrungsberichte (1)
Ich habe Wissen über die Streamlit-Bibliothek von Python erworben und werde sie sicherlich verwenden, um Anwendungen in meinem Team zu verbessern, die mit R Shiny erstellt wurden.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurs - GitHub Copilot for Developers
Maschinelle Übersetzung