Working with Pretrained Models setzt den Fokus auf den geschickten und zielgerichteten Einsatz von vortrainierten Modellen innerhalb des AI Engineering, speziell in anspruchsvollen Szenarien mit Maschinellem Lernen, Deep Learning und Künstlicher Intelligenz. Im Gegensatz zu Kursen, die ausschließlich eigene Modelle entwickeln, liegt bei diesem Kurs der Schwerpunkt auf Auswahl, Anpassung, Integration und Monitoring von Pretrained Models für verschiedene Anwendungsbereiche, darunter Natural Language Processing, Computer Vision oder Datenwissenschaft. Sie erlernen, wie Sie existierende Neural Networks und model deployment-Strategien über frameworks wie TensorFlow und PyTorch in bestehende IT-Infrastrukturen sicher integrieren. Besonderes Augenmerk liegt auf technischen, sicherheitsorientierten und ethisch reflektierten Aspekten, die bei Pretrained Models in der Datenwissenschaft, KI-Operations und Automatisierung im Vordergrund stehen.
Grundlagen von AI Engineering- AI Engineering - zentrale Prinzipien und Einfluss von Pretrained Models auf Workflows
- Zentrale Begriffe zu Künstlicher Intelligenz, Maschinelles Lernen und Deep Learning
- Bedeutung von Pretrained Models für Unternehmenseffizienz und Data Engineering
- Beachtung ethischer Grundsätze bei der Nutzung von Künstlicher Intelligenz
- Compliance, Governance und Risikomanagement mit Pretrained Models
- Einführung inPrompt Engineering und wichtige Tools der Sprachverarbeitung
Technologien und Implementierungsstrategien
- Diversität von Pretrained Models im Bereich Computer Vision und Natural Language Processing
- Auswahlkriterien für geeignete Pretrained Models in Python und anderen Sprachen
- Integration von Modellen mit APIs, Cloud-Lösungen und Datenengineering-Plattformen
- Anpassung und Feintuning von Pretrained Models mittels MLOps-Methoden
- Schutz, Überwachung und Automatisierung sensibler Deployments
- Ethische KI-Konzepte und verantwortungsvoller Umgang mit Datenquellen
Praktische Anwendung und Best Practices
- Schritte zur Modellbereitstellung, Validierung und Integration in bestehende Systeme
- Hands-on Integration in IT-Prozesse mit TensorFlow, PyTorch und eigenen Daten
- Implementierung von Automatisierung und Monitoring im Kontext Pretrained Models
- Prompt-Entwicklung und Testen von Sprachverarbeitungsmodellen für produktive Umgebungen
- Datenwissenschaftliche Analyse: Fehlerdiagnose, Tuning und Evaluierung
- Maßnahmen zur Einhaltung ethischer und rechtlicher Vorgaben im täglichen Einsatz
Monitoring, Optimierung und Governance
- Modellüberwachung, Datenanalyse und Optimierungsstrategien für Pretrained Models