Generative AI in Production

Generative AI in ProductionGAIPGOGoogleGO-GAIP2.0<ul> <li>Verstehen Sie die Herausforderungen bei der Produktionsreife von Anwendungen mit generativer KI.</li><li>Verwaltung von Experimenten und Evaluierungen für LLM-gestützte Anwendungen</li><li>LLM-basierte Anwendungen in die Produktion bringen</li><li>Sichere generative KI-Anwendungen</li><li>Implementierung von Protokollierung und Überwachung für LLM-gestützte Anwendungen</li></ul>Abschluss von <a class="fl-href-prod" href="/swisscom/course/google-adlgc"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>Application Development with LLMs on Google Cloud (ADLGC)</a> oder gleichwertige Kenntnisse.Entwickler, DevOps-Ingenieure und Machine-Learning-Ingenieure, die GenAI-basierte Anwendungen operationalisieren möchten<h4>Modul 1 – Einführung in generative KI in der Produktion</h4> Themen: <ul> <li>Generative KI-Operationen</li><li>Traditionelles MLOps vs. GenAIOps</li><li>Komponenten eines LLM-Systems</li><li>RAG/ReAct-Architektur</li></ul>Ziele: <ul> <li>Generative KI-Prozesse verstehen</li><li>Vergleich zwischen traditionellem MLOps und GenAIOps</li><li>Analysieren Sie die Komponenten eines LLM-Systems.</li><li>RAG und ReAct definieren und vergleichen</li></ul><h4>Modul 2 – Einsatz generativer KI-Anwendungen</h4> Themen: <ul> <li>Optionen für die Anwendungsbereitstellung</li><li>Bereitstellung, Paketierung und Versionierung</li></ul>Ziele: <ul> <li>Bewertung der Optionen für die Anwendungsbereitstellung</li><li>Apps bereitstellen, verpacken und versionieren</li></ul>Aktivitäten: <ul> <li>Labor: Bereitstellung einer agentenbasierten Anwendung auf Cloud Run</li></ul><h4>Modul 3 – Generative KI in die Produktion bringen</h4> Themen: <ul> <li>Wartung und Aktualisierungen</li><li>Prüfung und Bewertung</li><li>CI/CD-Pipelines für KI-gestützte Apps</li></ul>Ziele: <ul> <li>LLM-Modelle pflegen und aktualisieren</li><li>Testen und bewerten Sie KI-gestützte Apps</li><li>CI/CD-Pipelines für generative KI-gestützte Anwendungen bereitstellen</li></ul>Aktivitäten: <ul> <li>Labor: Versionsverfolgung generativer KI-Anwendungen</li></ul><h4>Modul 4 – Sicherung generativer KI-Anwendungen</h4> Themen: <ul> <li>Sicherheitsherausforderungen</li><li>Sofortige Sicherheit</li><li>Schutz sensibler Daten und DLP-API</li><li>Modellpanzerung</li></ul>Ziele: <ul> <li>Sicherheitsherausforderungen für allgemeine KI-Anwendungen identifizieren</li><li>Aktuelle Sicherheitsprobleme verstehen</li><li>Anwendung von sensiblen Daten und DLP-API</li><li>Modellpanzerung implementieren</li></ul>Aktivitäten: <ul> <li>Labor: Sicherung generativer KI-gestützter Anwendungen</li></ul><h4>Modul 5 – Beobachtbarkeit für LLM-Systeme in der Produktion</h4> Themen: <ul> <li>Cloud-Betrieb</li><li>Cloud-Protokollierung</li><li>Überwachung</li><li>Cloud-Verfolgung</li><li>Agentenanalyse und AgentOps</li><li>Alles zusammenfügen</li></ul>Ziele: <ul> <li>Beschreiben Sie den Zweck und die Funktionen von Google Cloud Observability.</li><li>Erläutern Sie den Zweck von Cloud Monitoring.</li><li>Erläutern Sie den Zweck von Cloud Logging.</li><li>Erläutern Sie den Zweck von Cloud Trace.</li></ul>Aktivitäten: <ul> <li>Labor: Protokollierung, Überwachung und Agentenanalyse</li></ul>Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <a class="fl-href-prod" href="/swisscom/en/course/google-gaip"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>hier</a>.- Verstehen Sie die Herausforderungen bei der Produktionsreife von Anwendungen mit generativer KI. - Verwaltung von Experimenten und Evaluierungen für LLM-gestützte Anwendungen - LLM-basierte Anwendungen in die Produktion bringen - Sichere generative KI-Anwendungen - Implementierung von Protokollierung und Überwachung für LLM-gestützte AnwendungenAbschluss von Application Development with LLMs on Google Cloud (ADLGC) oder gleichwertige Kenntnisse.Entwickler, DevOps-Ingenieure und Machine-Learning-Ingenieure, die GenAI-basierte Anwendungen operationalisieren möchtenModul 1 – Einführung in generative KI in der Produktion Themen: - Generative KI-Operationen - Traditionelles MLOps vs. GenAIOps - Komponenten eines LLM-Systems - RAG/ReAct-Architektur Ziele: - Generative KI-Prozesse verstehen - Vergleich zwischen traditionellem MLOps und GenAIOps - Analysieren Sie die Komponenten eines LLM-Systems. - RAG und ReAct definieren und vergleichen Modul 2 – Einsatz generativer KI-Anwendungen Themen: - Optionen für die Anwendungsbereitstellung - Bereitstellung, Paketierung und Versionierung Ziele: - Bewertung der Optionen für die Anwendungsbereitstellung - Apps bereitstellen, verpacken und versionieren Aktivitäten: - Labor: Bereitstellung einer agentenbasierten Anwendung auf Cloud Run Modul 3 – Generative KI in die Produktion bringen Themen: - Wartung und Aktualisierungen - Prüfung und Bewertung - CI/CD-Pipelines für KI-gestützte Apps Ziele: - LLM-Modelle pflegen und aktualisieren - Testen und bewerten Sie KI-gestützte Apps - CI/CD-Pipelines für generative KI-gestützte Anwendungen bereitstellen Aktivitäten: - Labor: Versionsverfolgung generativer KI-Anwendungen Modul 4 – Sicherung generativer KI-Anwendungen Themen: - Sicherheitsherausforderungen - Sofortige Sicherheit - Schutz sensibler Daten und DLP-API - Modellpanzerung Ziele: - Sicherheitsherausforderungen für allgemeine KI-Anwendungen identifizieren - Aktuelle Sicherheitsprobleme verstehen - Anwendung von sensiblen Daten und DLP-API - Modellpanzerung implementieren Aktivitäten: - Labor: Sicherung generativer KI-gestützter Anwendungen Modul 5 – Beobachtbarkeit für LLM-Systeme in der Produktion Themen: - Cloud-Betrieb - Cloud-Protokollierung - Überwachung - Cloud-Verfolgung - Agentenanalyse und AgentOps - Alles zusammenfügen Ziele: - Beschreiben Sie den Zweck und die Funktionen von Google Cloud Observability. - Erläutern Sie den Zweck von Cloud Monitoring. - Erläutern Sie den Zweck von Cloud Logging. - Erläutern Sie den Zweck von Cloud Trace. Aktivitäten: - Labor: Protokollierung, Überwachung und AgentenanalyseDieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.1 Tag595.00820.00660.00650.00950.00950.00950.00790.00950.00