Informationen zur Weiterbildung
- Titel: Machine Learning Engineering & MLOps
- Module: KI-Entwicklung & Machine Learning (T1) + KI-Infrastruktur & MLOps (T2)
- Seminarart: Weiterbildung │ Vollzeitseminar
- Förderung: Das Seminar ist nach SGB III zu 100 % förderfähig (Bildungsgutschein).
- Maßnahme-Nummer: beantragt
- Dauer: 88 Unterrichtstage │ ca. 4,5 Monate │ 2 Module
- Unterrichtszeiten: Montag bis Freitag, 08:00 – 16:00 Uhr
- Art: Online live – virtuelles Klassenzimmer (synchrone Präsenz per Video)
- Zertifikat: KHMI-Zertifikat │ Zertifizierte:r Machine Learning & Infrastructure Engineer
- ECTS-Vergabe: Voraussetzungen werden individuell geprüft und abgestimmt
Berufsbild & Perspektive
Ihr neues Berufsbild
Sie verantworten Systeme der Künstlichen Intelligenz (KI) von der ersten Zeile Code bis zum produktiven Betrieb – entwickeln Modelle, bauen die Infrastruktur, die diese Modelle trägt, und sorgen dafür, dass beides zuverlässig funktioniert. In kleinen Teams als Alleinverantwortliche, in großen Organisationen als technische Schnittstelle zwischen Data Science und IT-Betrieb.
Als zertifizierte:r Machine Learning & Infrastructure-Engineer sind Sie genau diese Person.
Was Sie beruflich tun
Sie tragen die Gesamtverantwortung für KI‑Systeme – vom Modelldesign bis zum produktiven Betrieb. In Technologieunternehmen, Datenabteilungen, Cloud-Teams oder als spezialisierte:r Freelancer:in übernehmen Sie Aufgaben, die Entwicklung und Infrastruktur zusammendenken. Ihre Tätigkeiten umfassen:
- Entwicklung, Training und Evaluation von ML-Modellen mit Python, TensorFlow, PyTorch und Hugging Face
- Aufbau und Betrieb von End-to-End-MLOps-Pipelines für reproduzierbare, automatisierte Trainings- und Deployment-Prozesse
- Bereitstellung von Modellen als skalierbare APIs und Deployment auf Cloud-Plattformen (AWS, Azure, GCP)
- Versionierung von Code, Daten und Modellen mit MLflow, DVC und Git für nachvollziehbare und auditierbare Systeme
- Kubernetes-basiertes Ressourcenmanagement für Training- und Inferenz-Workloads inkl. GPU-Cluster
- Monitoring von Modellperformance, Data Drift und Systemstabilität in produktiven Umgebungen
- Technische Brückenfunktion zwischen Data Science, Plattformteam und IT-Betrieb
Typische Positionen: KI-Systems Engineer, Senior ML Engineer, AI Platform Engineer, MLOps & Development Lead, Full-Stack-AI-Engineer, KI-Architekt:in für produktive Systeme.
Warum sich diese Weiterbildung lohnt
Der Markt unterscheidet zunehmend zwischen Fachkräften, die KI-Modelle entwickeln, und solchen, die diese Modelle in produktionsstabilen, skalierbaren Systemen betreiben. Wer beides kann, besetzt eine Schnittstellenrolle, die für Unternehmen aller Größen strategisch wertvoll ist – besonders dort, wo KI-Teams noch klein sind und eine Person den vollständigen Lifecycle verantworten muss.
Was Sie lernen
Die Weiterbildung umfasst zwei eigenständige Module, die nacheinander absolviert werden. Jedes Modul schließt mit einer eigenständigen Projektarbeit ab, in der Sie das Gelernte praktisch anwenden und nachweisen. Die Reihenfolge der Module kann variieren.
Modul T1 – KI-Entwicklung & Machine Learning: Sie beherrschen den vollständigen ML-Lifecycle: von Python-Set-up, Datenaufbereitung und Feature Engineering über klassische Verfahren (Regression, Klassifikation, Clustering) bis zu Deep Learning mit TensorFlow/Keras und PyTorch. Sie arbeiten mit CNNs, Transformer-Architekturen und Hugging Face, entwickeln FastAPI-Inferenzendpunkte und containerisieren Ihre Anwendungen mit Docker.
Projektarbeit T1 – End-to-End-ML-Anwendung: Sie entwickeln eine vollständige ML-Anwendung – von der Datenaufbereitung über Modelltraining und Evaluation bis zum deployment-fähigen API-Service mit Dokumentation und technischer Präsentation.
Modul T2 – KI-Infrastruktur & MLOps: Sie bauen und betreiben End-to-End-MLOps-Pipelines: Experiment-Tracking mit MLflow, Datenversionierung mit DVC, CI/CD für ML, Kubeflow- und Airflow-Pipelines, Feature Stores mit Feast, Cloud-Deployment auf AWS/Azure/GCP, Kubernetes-Cluster-Management, Monitoring, Observability, Security und Compliance.
Projektarbeit T2 – Produktionsreife MLOps-Pipeline: Sie bauen eine vollständige, produktionsreife MLOps-Pipeline – von der automatisierten Datenpipeline über CI/CD-Integration und Cloud-Deployment bis zu Monitoring und Alerting. Die Pipeline wird live demonstriert und dokumentiert.
Seminarinhalte & Module der Weiterbildung
T1 · KI-Entwicklung & Machine Learning
- ML-Grundlagen & klassische Verfahren
- Python-Set-up, Mathematik-Refresh & ML-Grundlagen
- Feature Engineering, Regression & Klassifikation
- Unsupervised Learning, Modellbewertung & Scikit-learn
- Deep Learning & NLP
- Deep Learning: Neuronale Netze, TensorFlow/Keras & PyTorch
- Computer Vision (CNNs) & Sequenzmodelle (RNNs/LSTMs)
- NLP, Transformer-Architektur & Hugging Face/Fine-Tuning
- LLMs, Deployment & MLOps-Grundlagen
- LLM-Anwendungen, Prompt-/Task-Design & Fine-Tuning-Strategien
- API-Design mit FastAPI & Model Serving
- Containerisierung (Docker), Monitoring & MLOps-Grundlagen
- Beispiel-Projektarbeit: End-to-End-ML-Anwendung: Training, API & Deployment
- 396 Unterrichtseinheiten (UE) insgesamt
T2 · KI-Infrastruktur & MLOps
- MLOps-Grundlagen & Versionierung
- MLOps-Prinzipien, Architektur & Container-Grundlagen
- Experiment Tracking (MLflow) & Model Registry
- Data Versioning (DVC), Git & Reproduzierbarkeit
- Pipelines, Orchestrierung & Feature Engineering
- CI/CD für ML, Kubeflow Pipelines & Airflow
- Feature Stores (Feast) & Datenaufbereitung als Pipeline
- Testing in ML-Pipelines & End-to-End-Automatisierung
- Cloud, Deployment & Betrieb
- Cloud Deployment (AWS/Azure/GCP), Kubernetes & Skalierung
- Deployment-Strategien, GPU-Compute & Kostenoptimierung
- Monitoring, Data Drift, Security & Compliance
- Beispiel-Projektarbeit: MLOps-Pipeline: Versionierung, Deployment & Monitoring
- 396 Unterrichtseinheiten (UE) insgesamt
Unterricht und Projektphasen: 792 UE │ Zusätzlicher Workload Selbststudium (für ECTS-Vergabe): Literaturarbeit, Recherche und Ausarbeitung des Abschlussprojekts gemäß individueller Abstimmung.
Unterrichtsform der Weiterbildung
Das Seminar wird im Format „Online Live – Virtuelles Klassenzimmer“ durchgeführt. Der Unterricht findet synchron per Videokonferenz (Microsoft Teams) statt – mit Live-Präsenz, ohne Aufzeichnung. Vor Seminarbeginn wird Ihre technische Ausstattung gemeinsam in einer Testsitzung per Telefon und Teams geprüft. Wir bereiten Sie auf diese Unterrichtsform vor und unterstützen Sie bei Bedarf. Die erforderliche Software wird Ihnen von uns zur Verfügung gestellt.
Lehrgangsvoraussetzungen
Ein Interesse an den Themen und Inhalten sowie eine längere berufliche Erfahrung, Ausbildung oder ein Studium sind gute Voraussetzungen für die Teilnahme an dieser geförderten Weiterbildung. Das Seminar ist eine gewinnbringende Investition zur Entwicklung und Vertiefung Ihres Know-hows auf Basis Ihrer beruflichen Vorbildung. Vereinbaren Sie ein unverbindliches Beratungsgespräch, um Ihre Ziele und Wünsche mit unserem Angebot abzustimmen.
Hochschulniveau ohne Umwege – der ECTS-Vorteil
KHMI ist ein An-Institut der Karlshochschule International University. Das ist kein formales Detail. Es ist ein struktureller Qualitätsvorteil. ECTS-Punkte zeigen an, wie viel Zeit und Aufwand für eine Weiterbildung erbracht wurden – und machen Leistungen vergleichbar und anrechenbar. Das bedeutet: Die Lerninhalte, Prüfungsformate und Workload-Standards der KHMI-Weiterbildung orientieren sich an den Maßstäben einer Hochschule.