Warum Softwarearchitektur für KI-Systeme entscheidend ist

SWARC4AI ist ein Advanced-Level-Modul des iSAQB. Es bietet eine fundierte Einführung in die Herausforderungen und Möglichkeiten, die KI-Systeme an moderne Softwarearchitekturen stellen. Teilnehmer:innen lernen, wie sie robuste Datenpipelines entwickeln, Sicherheits- und Datenschutzanforderungen umsetzen und spezifische Architekturmuster für KI-Systeme entwerfen.

Das Training verbindet theoretische Konzepte mit praxisnahen Übungen, um KI-Lösungen nahtlos in IT-Landschaften zu integrieren. Im Mittelpunkt stehen Themen wie Qualitätsmerkmale für KI-Anwendungen, MLOps und der Einsatz von Generative-KI-Technologien wie LLMs.

Lernziel:

Das Modul SWARC4AI lehrt Teilnehmer:innen, wie sie KI- und traditionelle Softwaresysteme miteinander verbinden, KI-Architekturen entwerfen und spezifische Anforderungen wie Skalierbarkeit, Erklärbarkeit und Sicherheit umsetzen können. Ziel ist es, zukunftsfähige und robuste Architekturen für KI-Systeme zu schaffen.

Credits: 10 methodische Punkte, 20 technische Punkte.

Alle Infos finden Sie auch im Lehrplan der iSAQB.

Agenda:

Einführung in softwarearchitekturrelevante Konzepte für KI:

• – Grundlagen von Machine Learning, Generative KI und LLMs.
• – Unterschiede zwischen KI-Systemen und klassischer Software.

Compliance, Security, Alignment:

• – EU AI Act, Datenschutz und Sicherheitsanforderungen.
• – Schutz vor Adversarial Attacks und Data Poisoning.

Entwurf und Entwicklung von KI-Systemen:

• – Design Patterns für KI-Systeme.
• – Integration von Machine Learning in bestehende Architekturen.

Datenmanagement und Datenverarbeitung:

• – Entwicklung von Datenpipelines.
• – Strategien und Werkzeuge für Data Engineering.

Qualitätsmerkmale für den Betrieb von KI-Systemen:

• – Skalierbarkeit, Monitoring und MLOps-Ansätze.
• – Ressourceneffizienz und Überwachung von KI-Systemen.

Systemarchitekturen für Generative KI:

• – Tools und Patterns für LLMs.
• – Retrieval-Augmented Generation (RAG).

Fallstudien und Praxisprojekte:

• – Anwendung der erlernten Konzepte in realen Szenarien.

Voraussetzungen

Teilnehmer:innen sollten über grundlegende Kenntnisse in Machine Learning, Datenverarbeitung und Softwarearchitektur verfügen, um von diesem Modul zu profitieren. Diese Voraussetzungen stellen sicher, dass die Inhalte des Moduls direkt in die Praxis umgesetzt werden können.