Zum Hauptinhalt springen

Vollständiger Lernkurs

DevOps / SRE + AI

Zuverlässiger Betrieb von AI-Workloads

Serving, Autoscaling, Observability, Kostenkontrolle, Sicherheit und Incident Response für AI-Systeme.

0%0/8 Lektionen

Der Fortschritt wird lokal in deinem Browser gespeichert.

10–16 Wochen3 Module8 Lektionen5 Assessments

Modul 1

Gemeinsamer AI-Kern

Probabilistische Fehlermodi und überprüfbares Modellverhalten.

ErgebnisSRE versteht die operativen Risiken und Grenzen von AI-Systemen.

  1. AI-Grundverständnis und Modellgrenzen

    Kern

    Fähigkeiten, Halluzinationen, Kontextgrenzen, Datenschutz und verantwortungsvolle Nutzung.

    Material →

  2. Prompt- und Context Engineering

    Kern

    Anweisungen, Constraints, Beispiele und Prüfung der Ergebnisse.

    Voraussetzungen: AI-Grundverständnis und Modellgrenzen

    Material →

  3. Structured Outputs und Evaluation

    Kern

    Antwortschemata, deterministische Checks und Testfälle.

    Voraussetzungen: Prompt- und Context Engineering

    Material →Ressource →

Modul 2

AI Runtime und Serving

Inference, Batching, Queues und Skalierung für Production-Workloads.

ErgebnisEin kontrollierter Inference-Service mit expliziten Kapazitäts- und Health-Signalen.

  1. LLM Serving

    KernPraxis + Assessment

    Managed APIs, Self-Hosting, Health Checks und Runtime-Trade-offs.

    Material →Praxis →Assessment →

  2. Autoscaling von AI-Workloads

    KernPraxis + Assessment

    Kapazitätsplanung, Warmup, Sättigung und kostenbewusste Skalierung.

    Material →Praxis →Assessment →

Modul 3

Observability und Incidents

Tracing, Kosten, Alerts, Rollback und operative Übungen.

ErgebnisEine AI-Plattform mit messbaren SLOs und einem getesteten Recovery-Pfad.

  1. AI Tracing und Monitoring

    KernPraxis + Assessment

    Latenz, Qualität, Token-Nutzung, Retries, Fehler und Service Health.

    Material →Praxis →Assessment →

  2. Projekt: AI Operations Dashboard

    ProjektPraxis + Assessment

    SLOs, Traces, Token- und Kostenmetriken, Alerts und eine kontrollierte Failure-Übung.

    Material →Praxis →Assessment →

  3. AI Incident Response

    KernPraxis + Assessment

    Containment, Fallback, Rollback, Kommunikation und Postmortems.

    Material →Praxis →Assessment →

Abschlusspraxis und Assessment

Der Kurs endet mit einem praktischen Artefakt und einer Abnahmerubrik. Das Ergebnis gilt erst nach erfüllten Akzeptanzkriterien als abgeschlossen, nicht bloß nach dem Lesen der Materialien.

LLM Serving →Autoscaling von AI-Workloads →AI Tracing und Monitoring →Projekt: AI Operations Dashboard →AI Incident Response →Roadmap öffnen →