Google Vertex AI - End-to-End KI-Entwicklung

Seminarziel

Das Seminar zielt darauf ab, den Teilnehmenden ein tiefgehendes Verständnis von Google Vertex AI zu vermitteln. Sie lernen, wie sie Daten effizient vorbereiten, Modelle mit AutoML oder benutzerdefiniert trainieren und in Produktionsumgebungen skalieren können. Der Fokus liegt auf der Optimierung von Datenpipelines, der Reduktion von Inferenzlatenzen und der Integration in bestehende IT-Systeme. Praxisnahe Übungen und Fallstudien unterstützen den Transfer des erlernten Wissens in den Arbeitsalltag.

Inhalt

• Einführung in Google Vertex AI
  • Vorstellung von Google Vertex AI: Geschichte, Vision und Produktportfolio
  • Bedeutung von Vertex AI als integrierte Plattform für KI-Entwicklung in der Cloud
  • Hauptmerkmale, z. B. AutoML, benutzerdefiniertes Modelltraining und skalierbares Deployment
  • Ziele und strategischer Nutzen von Vertex AI für Unternehmen
• Vergleich und Abgrenzung zu alternativen Plattformen
  • Gegenüberstellung von Google Vertex AI mit anderen Cloud-basierten ML-Plattformen (z. B. AWS SageMaker, Microsoft Azure ML)
  • Analyse von Leistungsfähigkeit, Benutzerfreundlichkeit und Kostenstruktur
  • Bewertung hinsichtlich Flexibilität, Integration und Support
  • Diskussion der Vor- und Nachteile in unterschiedlichen Anwendungsszenarien
• Datenaufbereitung und Feature Engineering
  • Methoden zur Datenakquise und -vorverarbeitung in Vertex AI
  • Einsatz von Dataflow und anderen Google Cloud-Diensten zur Datenbereinigung
  • Techniken des Feature Engineerings für verbesserte Modellleistung
  • Best Practices zur kontinuierlichen Datenintegration in ML-Pipelines
• Modelltraining und AutoML
  • Einrichtung und Training von Machine-Learning-Modellen in Vertex AI
  • Nutzung von AutoML für automatisierte Modellgenerierung und -optimierung
  • Vergleich von benutzerdefiniertem Training vs. AutoML-Ansätzen
  • Strategien zur Verbesserung der Modellgenauigkeit und Reduktion von Trainingszeiten
• Modelldeployment und Skalierung
  • Schritte zum Deployment von Modellen in Produktionsumgebungen
  • Einsatz von Vertex AI Prediction für skalierbare Echtzeit-Inferenz
  • Konfiguration von Endpunkten und Load Balancing
  • Best Practices zur Überwachung und Optimierung des Deployments
• Monitoring, Logging und Performance-Optimierung
  • Einsatz von Vertex AI Tools und Google Cloud Monitoring zur Überwachung von Modellen
  • Analyse von Performance-Metriken und Identifikation von Engpässen
  • Strategien zur kontinuierlichen Optimierung und Fehlerdiagnose
  • Nutzung von Logging-Diensten zur Nachverfolgung von Inferenzprozessen
• Integration in bestehende IT-Systeme und Automatisierung
  • Anbindung von Vertex AI an bestehende Datenquellen und IT-Ökosysteme
  • Nutzung von RESTful APIs und SDKs zur Automatisierung von ML-Workflows
  • Verbindung von Vertex AI mit CI/CD-Pipelines zur kontinuierlichen Modellbereitstellung
  • Fallstudien zur erfolgreichen Integration in hybride und Multi-Cloud-Umgebungen
• Zukunftstrends und strategische Überlegungen in der KI-Entwicklung
  • Diskussion aktueller Trends in der KI, z. B. Edge AI, Federated Learning und KI-Ethik
  • Ausblick auf zukünftige Entwicklungen und Innovationen im Bereich Cloud-KI
  • Strategische Planung zur Skalierung und Weiterentwicklung von ML-Lösungen
  • Chancen und Risiken für Unternehmen im Zeitalter der digitalen Transformation
• Praktische Abschlussübung
  • Aufgabe: In Gruppenarbeit entwickeln die Teilnehmenden ein vollständiges End-to-End-Szenario zur Implementierung einer KI-Lösung mit Google Vertex AI
  • Ziel: Die Teilnehmenden bereiten einen Datensatz vor, trainieren ein Modell (benutzerdefiniert oder via AutoML), deployen es in Vertex AI und integrieren das System in eine Beispielanwendung
  • Ergebnis: Jede Gruppe präsentiert ihr Konzept inklusive einer Live-Demo der zentralen Funktionen; anschließend erfolgt eine moderierte Feedbackrunde zur Diskussion von Verbesserungspotenzialen