TensorFlow und PyTorch: KI-Modelle entwickeln, trainieren und skalieren

Seminarziel

Dieses praxisorientierte Seminar vermittelt Ihnen nicht nur das technische Fundament von Deep Learning-Modellen (z. B. CNNs, Transformer, GANs) in den Frameworks TensorFlow und PyTorch, sondern zeigt zugleich, wie Sie diese Modelle im unternehmerischen Umfeld - von Datenaufbereitung über Infrastruktur-Design bis hin zur produktiven Inferenz - gezielt einsetzen. Sie lernen, Deep-Learning-Projekte ganzheitlich zu steuern: Auswahl der Architektur, Einsatz auf Edge oder Cloud, Monitoring & MLOps, sowie Skalierung und Nachhaltigkeit. Am Ende sind Sie in der Lage, erste eigene Modelle aufzubauen, zu evaluieren, zu optimieren und in Live-Systeme zu überführen.

Inhalt

• Einführung in moderne Deep Learning-Ökosysteme
  • Überblick über den technologischen Wandel: Multimodale Modelle, Foundation Models, Edge-vs-Cloud-Inference.
  • Markt- und Einsatzszenarien in Industrie, Healthcare, Finanzen.
  • Architektur-Entscheidungen: Frameworks, Bibliotheken, Open-Source-Ökosystem.
• Datenaufbereitung, Feature Engineering und Pipeline-Design
  • Datenklassifizierung, Zeitreihen, Bild- und Textdaten: typische Herausforderungen.
  • Data-Cleaning, Augmentation, Transfer Learning, Self-Supervised Learning.
  • Aufbau einer End-to-End-Pipeline inklusive Daten-Versionierung und MLOps-Anbindung.
• Modell-Architekturen im Deep Learning
  • Klassische Layer-Netze, CNNs, RNNs/LSTMs, Transformer, Vision Transformer (ViT).
  • Generative Modelle: GANs, VAEs, Diffusionsmodelle.
  • Edge-optimierte, kompakte Modelle (TinyML) und Nachhaltigkeitsaspekte (Green AI).
• Implementierung mit TensorFlow und PyTorch
  • API-Vergleich TensorFlow vs. PyTorch, Best-Practices.
  • Aufbau und Training von CNNs, Transformers, Fine-Tuning von Foundation Models.
  • Hyperparameter-Tuning, Optimizer, Regularisierung, Interpretierbarkeit.
• Produktive Inferenz, Skalierung und MLOps
  • Deployment-Strategien: Cloud, Edge, Hybrid.
  • Monitoring & Logging, A/B-Testing von Modellen, Modell-Lifecycle.
  • MLOps-Tools: CI/CD für Modelle, Automatisierung, Governance & Sicherheit.
• Praxis: Projektaufbau und Umsetzung
  • Live-Projekt: von Daten bis Deployment - Teilnehmer:innen arbeiten in Kleingruppen.
  • Nutzung realer Daten- oder Simulations-Datasets, Schnittstelle zu Cloud oder Edge.
  • Review-Sessions und Peer-Feedback.
• Ethik, Datenschutz und nachhaltige KI
  • Responsible AI, Bias-Erkennung, Transparenz, Fairness.
  • Energie-Effizienz von Deep Learning (Green AI), CO2-Footprint von Modellen.
  • Governance, Compliance, Unternehmensrichtlinien.
• Service, Kommunikation und Business-Impact
  • Kommunikationsstrategie: Ergebnisse gegenüber Stakeholdern präsentieren.
  • Kosten-Nutzen-Analyse von KI-Projekten, ROI, Life-Time-Value von Modellen.
  • Aufbau einer internes Wissens- und Fehlerkultur, Lessons-Learned und Skalierungsstrategie.
• Praxisübungen
  • Kleingruppen-Projekt: Daten­aufbereitung und Modelltraining auf einem ausgewählten Use-Case mit Transfer Learning.
  • Implementierung & Deployment: Modell in Cloud und/oder Edge bereitstellen + Monitoring einrichten.
  • Business-Review & Präsentation: Auswertung der Ergebnisse, ROI-Berechnung, Lessons Learned dokumentieren.