LLM-Entwicklung und Deployment – Kompaktkurs
Im Kurs LLM-Entwicklung und Deployment entwickeln und betreiben Sie moderne LLM-Anwendungen praxisnah – von Prompt Design und RAG-Pipelines bis zu Deployment, Monitoring und Governance.
Unser Angebot richtet sich ausschließlich an Unternehmer (§ 14 BGB), Gewerbetreibende, Freiberufler sowie öffentliche Auftraggeber. Kein Verkauf an Verbraucher (§ 13 BGB). Alle Preisangaben werden sorgfältig gepflegt. Preisirrtümer und technische Darstellungsfehler können jedoch nicht vollständig ausgeschlossen werden.
Kursdetails & Termine
Kursbeschreibung
Sie lernen im kompakten Format, wie moderne LLM-Anwendungen aufgebaut und betrieben werden - von Prompt Design über RAG-Pipelines bis hin zu Deployment mit Docker, Monitoring und Governance. Der Kurs ist praxisnah und durchgängig hands-on.
Seminarinhalte
Grundlagen & Architektur moderner LLMs
- Überblick über Transformer, Kontext und Tokenisierung
- Prompt Design mit Zero-/Few-Shot und System Prompts
- Unterschiede zu klassischen NLP-Verfahren
- Hands-on: effektive Prompts entwickeln
Retrieval-Augmented Generation (RAG) Essentials
- Rolle von Embeddings und Vektorsuche
- Praktische Arbeit mit FAISS und ChromaDB
- Integration externer Quellen über LangChain / LlamaIndex
- Aufbau einer einfachen RAG-Pipeline
Erweiterte RAG-Pipelines in der Praxis
- Datenvorbereitung und semantische Abfragen
- Tool-Ketten in LangChain
- Query-Antwort-System mit API-Anbindung
- Best Practices: Trennung von Modell- und Wissenskomponente
LLMOps - Deployment & Infrastruktur
- Deployment-Strategien: Hosted vs. On-Premise
- Containerisierung mit Docker sowie Frameworks wie FastAPI und BentoML
- Monitoring und Logging mit LangSmith, Weights & Biases und OpenTelemetry
- Prompt- und Model-Management
LLMOps - Governance, Security & Skalierung
- Sicherheit: Prompt Injection, Datenschutz und Auditierbarkeit
- Kostenkontrolle: Token-Tracking, Caching und Request-Management
- CI/CD für LLM-Anwendungen
Abschlussprojekt: Bau einer produktionsreifen Anwendung mit RAG, Logging, Monitoring & Guardrails
Zielgruppe
Alle mit technischem Hintergrund, die an der Entwicklung, Integration oder dem Betrieb von LLM-basierten Anwendungen beteiligt sind – z. B. in IT, AI, DevOps oder Produktentwicklung.
Voraussetzungen
Solide Kenntnisse in Python sowie ein Grundverständnis von API-Nutzung, Machine Learning oder Cloud-Infrastruktur sind erforderlich. Erfahrung mit Tools wie Jupyter, VS Code oder Docker ist hilfreich.
Lernziele
Sie können moderne LLM-Anwendungen praxisnah konzipieren und betreiben. Dazu entwickeln Sie effektive Prompts, bauen RAG-Pipelines auf und befassen sich mit Deployment, Monitoring, Governance, Sicherheit und Skalierung von LLM-Anwendungen.
Firmenseminar anfragen
Fragen Sie diesen Kurs für Ihr Team oder Unternehmen an. Wir prüfen passende Termine, Formate und individuelle Anforderungen und melden uns persönlich mit einem Vorschlag.
Termine & Buchung
Terminfilter
Verfügbare Termine
Kursdetails & Termine
Termine & Buchung
Terminfilter
Verfügbare Termine
Kursbewertungen
Wir sind persönlich für Sie da
Nicht jeder Kurs passt sofort auf Anhieb. Wir helfen Ihnen dabei, aus Themen, Formaten und Anforderungen die passende Lösung zu finden – persönlich, praxisnah und mit Blick auf Ihren tatsächlichen Bedarf.
Nicole Mühlbauer
Planen Sie einen Kurs oder Seminar und möchten sich vorab informieren?
Alison Kreis
Haben Sie bereits einen Kurs gebucht und noch Fragen zum Ablauf vor Ort oder Online?
Anouk Mendoza
Haben Sie Fragen zu einer Raumvermietung oder unseren Räumlichkeiten vor Ort?
Fragen & Antworten
Hier beantworten wir die häufigsten Fragen zu unseren Kursen, Abläufen und Formaten. Sollten Sie weitere Fragen haben, unterstützen wir Sie gerne persönlich.
LLM-Entwicklung und Deployment – Kompaktkurs im Überblick
LLM-Entwicklung und Deployment verbindet die Konzeption moderner LLM-Anwendungen mit ihrem praxisnahen Betrieb. Sie erarbeiten, wie Prompt Design, RAG-Pipelines und LLMOps zusammenspielen, damit aus einzelnen Modellaufrufen tragfähige Anwendungen werden.
Im Mittelpunkt steht die Verbindung von Wissensquellen, Modellkomponenten und technischer Infrastruktur. Embeddings und Vektorsuche unterstützen RAG-Pipelines, während API-Anbindungen, Tool-Ketten und die Trennung von Modell- und Wissenskomponente die praktische Umsetzung strukturieren.
Für den Betrieb werden Deployment-Strategien, Containerisierung sowie Monitoring und Logging behandelt. Ergänzend berücksichtigen Sie Governance, Sicherheit, Kostenkontrolle und CI/CD, um LLM-Anwendungen nachvollziehbar und skalierbar zu betreiben.
Rezensionen
Es gibt noch keine Rezensionen.