Darum lohnt sich der Kurs
In diesem Training erwerben Sie praxisrelevante Fähigkeiten zur Entwicklung moderner KI-Cloudlösungen auf Microsoft Azure. Sie lernen, wie Sie containerisierte Anwendungen bereitstellen, serverlose Architekturen umsetzen und Datenservices gezielt für KI-Workloads nutzen. Nach dem Kurs sind Sie in der Lage, skalierbare, sichere und beobachtbare AI-Anwendungen zu entwickeln und produktiv zu betreiben.Seminarinhalt
Seminarinhalt
Der Kurs vermittelt die Entwicklung, Integration und den Betrieb von KI-gestützten Cloudlösungen auf Azure. Schwerpunkte sind Containerisierung, serverlose Architekturen, datengetriebene KI-Anwendungen sowie Monitoring und Sicherheit.
Der Kurs vermittelt die Entwicklung, Integration und den Betrieb von KI-gestützten Cloudlösungen auf Azure. Schwerpunkte sind Containerisierung, serverlose Architekturen, datengetriebene KI-Anwendungen sowie Monitoring und Sicherheit.
- Entwicklung und Betrieb von KI-Lösungen auf Azure
- Nutzung von Container- und Serverless-Technologien
- Integration von Services über eventgetriebene Architekturen
- Einsatz von Azure-Datenservices für KI-Workloads
- Aufbau sicherer, skalierbarer und überwachbarer Anwendungen
- Entwerfen Sie containerbasierte Anwendungen mit Azure Container Apps und Azure Kubernetes Service (AKS).
- Stellen Sie containerisierte Workloads in Azure Umgebungen bereit und überwachen diese.
- Entwickeln Sie serverlose, skalierbare APIs für AI Workloads mit Azure Functions.
- Implementieren Sie eventgetriebene und nachrichtenbasierte Architekturen mit Azure Service Bus und Event Grid.
- Konzipieren Sie AI-nahe Datenlösungen mit Azure Cosmos DB, PostgreSQL (pgvector) und Azure Managed Redis.
- Integrieren und orchestrieren Sie AI Workflows über mehrere Azure Services hinweg.
- Wenden Sie Sicherheits-, Monitoring- und Observability-Konzepte für produktive AI Anwendungen sicher an.
Programm
Implementierung von Container Application Hosting auf Azure
Container in Azure Container Registry speichern und verwalten
Bereitstellen und Verwalten von Anwendungen in Azure Container Apps
Container in Azure Container Apps bereitstellen
Bereitstellen und Überwachen von Anwendungen in Azure Kubernetes Service
Anwendungen in Azure Kubernetes Service bereitstellen
Entwicklung von AI-Lösungen mit Azure Cosmos DB for NoSQL
Abfragen für Azure Cosmos DB for NoSQL erstellen
Entwicklung von AI-Lösungen mit Azure Database for PostgreSQL
Mit Azure Database for PostgreSQL entwickeln und abfragen
Container in Azure Container Registry speichern und verwalten
- Registries, Repositories und Artifacts
- Images mit ACR Tasks erstellen und ausführen
- Images taggen und versionieren
- Übung – Container-Image mit ACR Tasks erstellen und verwalten
- Laufzeitverhalten von Containern konfigurieren
- Anwendungseinstellungen konfigurieren
- Containerisierte Anwendungen überwachen und Fehler beheben
- Übung – Container in Azure App Service bereitstellen
Bereitstellen und Verwalten von Anwendungen in Azure Container Apps
Container in Azure Container Apps bereitstellen
- Container Apps Umgebungen untersuchen
- Container App mit Azure CLI und YAML bereitstellen
- Laufzeiteinstellungen mit Umgebungsvariablen und Secrets konfigurieren
- Authentifizierung für Image Pulls aus privaten Registries konfigurieren
- Bereitstellungen mithilfe von Logs und Status überprüfen
- Übung – Containerisierte Backend-API in Container Apps bereitstellen
- Images aktualisieren und Revisionen sicher verwalten
- Lebenszyklus einer Container App verwalten
- Logs überwachen und Probleme analysieren
- Health Probes konfigurieren und Fehlerursachen untersuchen
- Container-Ressourcen und Skalierung optimieren
- Übung – Fehlerhafte Bereitstellung diagnostizieren und beheben
- Skalierungsregeln konfigurieren
- Ereignisgesteuerte Skalierung mit KEDA implementieren
- KEDA-Scaler für benutzerdefinierte Workloads anwenden
- Compute-Ressourcen im Hinblick auf Leistung und Kosten auswählen
- Revisionsmodi auswählen und anwenden
- Übung – Autoskalierung mit KEDA-Triggern konfigurieren
Bereitstellen und Überwachen von Anwendungen in Azure Kubernetes Service
Anwendungen in Azure Kubernetes Service bereitstellen
- Kubernetes Deployment Manifeste erstellen
- Anwendungen in Azure Kubernetes Service verfügbar machen
- Anwendungen in Azure Kubernetes Service bereitstellen
- Übung – AI-Inference-API in Azure Kubernetes Service bereitstellen
- ConfigMaps für Anwendungseinstellungen definieren
- Secrets für sensible Daten implementieren
- Persistenten Speicher an eine Anwendung anbinden
- Übung – Anwendungen in Azure Kubernetes Service konfigurieren
- Anwendungslogs und Metriken überwachen
- Pods und Services analysieren und Fehler beheben
- Service-Konnektivität und Endpunkte überprüfen
- Übung – Anwendungen in Azure Kubernetes Service analysieren und korrigieren
Entwicklung von AI-Lösungen mit Azure Cosmos DB for NoSQL
Abfragen für Azure Cosmos DB for NoSQL erstellen
- Azure Cosmos DB for NoSQL kennenlernen
- Azure Cosmos DB for NoSQL SDK implementieren
- Azure Cosmos DB for NoSQL abfragen
- Übung – RAG-Dokumentenspeicher in Azure Cosmos DB for NoSQL aufbauen
- Embeddings in Azure Cosmos DB speichern und abrufen
- Vektorähnlichkeitsabfragen für semantische Suche ausführen
- Ergebnisse der Vektorsuche mit Metadatenfiltern kombinieren
- Change Feed zur Aktualisierung von Embeddings verwenden
- Übung – Semantische Suchanwendung mit Azure Cosmos DB for NoSQL entwickeln
- Indexierung in Azure Cosmos DB verstehen
- Range- und Composite-Indizes konfigurieren
- Vektorindizes für Embedding-Workloads optimieren
- RU-Kosten durch strategische Indexierung senken
- Konsistenzstufen für optimale Leistung auswählen
- Übung – Abfrageleistung mit Vektorindizes in Azure Cosmos DB for NoSQL optimieren
Entwicklung von AI-Lösungen mit Azure Database for PostgreSQL
Mit Azure Database for PostgreSQL entwickeln und abfragen
- Azure Database for PostgreSQL kennenlernen
- Verbindung zu PostgreSQL herstellen
- Schemas erstellen und verwalten
- Daten abfragen
- SDKs und Anwendungen integrieren
- Übung – Backend für ein Agent Tool mit Azure Database for PostgreSQL entwickeln
- Embeddings mit pgvector speichern und abfragen
- Schnelle Vektorähnlichkeitssuche durchführen
- Index-Lebenszyklus und Embedding-Updates verwalten
- Vektorähnlichkeitssuche für semantische Retrieval-Szenarien ausführen
- Retrieval-Muster für RAG-Pipelines implementieren
- Übung – Vektorsuche in Azure Database for PostgreSQL implementieren
- PostgreSQL für pgvector tunen
- Vektorindizes auswählen und konfigurieren
- Datenlayout optimieren
- Skalierung für Workloads mit hohem Datenvolumen
- Verbindungsoptimierung
- Übung – Leistung der Vektorsuche in Azure Database for PostgreSQL optimieren
Zielgruppen
Dieses Training richtet sich an:
- Entwickler*innen für Backend- und Cloud-Anwendungen
- Azure Developer*innen mit Fokus auf KI-Lösungen
- IT-Fachkräfte, die AI-gestützte Anwendungen entwickeln und betreiben
Vorkenntnisse
- Programmiererfahrung (z. B. Python, JavaScript oder C#)
- Grundkenntnisse in Azure und Cloud-Computing
- Basiswissen zu Containerisierungstechnologien
