Diesen Juli haben wir ein Trainings-Spezialevent in der Therme Erding für euch – Mehr dazu

AI-Produkte mit Domain-driven Design

2 Tage

Termine und Buchung

Beschreibung

Du stehst vor der Herausforderung, innovative datenbasierte Softwarelösungen zu entwickeln. Du fragst dich, an welchen Stellen der Produktentwicklung KI zum Einsatz kommen kann. Mittlerweile existieren unzählige Modelle, die über APIs verfügbar sind, sowie Open-Source-Lösungen, die genutzt werden können, ohne dass ein eigenes Modell trainiert werden muss. Es ist alles da. Commodity AI wird möglich. Wie legst Du los? An welchen Stellen Deines Produkts macht es Sinn, KI zu integrieren? Welche Features werden möglich, die vorher nicht umsetzbar oder zu teuer waren?

Fühlst du dich angesprochen? Dann ist dieses Training genau das Richtige für dich! Lass dich von unseren erfahrenen Trainer:innen in die praxisnahe Anwendung von Künstlicher Intelligenz und maschinellem Lernen einführen. Erfahre, wie du AI/ML-Anwendungsfälle identifizieren und validieren kannst, und erhalte fundierte Kenntnisse über die passenden Werkzeuge und Strategien für die erfolgreiche Umsetzung und Inbetriebnahme. Im Laufe des Workshops nutzen wir dabei die Domain-driven-Design-Methodik, für die keine Vorkenntnisse erforderlich sind.

Dr. Larysa Visengeriyeva während einer Workshop-Pause im Austausch mit Teilnehmer:innen

Tag 1: Im ersten Praxisteil lernen wir Event Storming und das ML Design Canvas kennen. Event Storming ist eine Methode des Collaborative Modeling und Knowledge Crunchings, eine Methodik des Domain-Driven Design. Sie hilft Domänenexpert:innen, technischen Expert:innen, Entwickler:innen und allen anderen Teammitgliedern, ein gemeinsames Verständnis der Geschäftsdomäne zu entwickeln. Dabei gehen wir von realen Use Cases aus und so können wir dann weitere Use Cases innerhalb Projekten für innovative AI/ML-Technologien identifizieren. Dafür sind Domain Driven Design Kenntnisse nicht notwendig.

Tag 2: Im zweiten Praxisteil formulieren wir gemeinsam, auf Basis der gefundenen Use Cases, konkrete ML-Problemstellungen. Das tun wir auf dem ML Design Canvas, welches am ersten Tag bvorgestellt wurde. Danach strukturieren wir auf dem Canvas das ML-Projekt und spezifizieren alle Komponenten für die Training- und Prediction-Phasen. Im Anschluss sprechen wir über das Data Landscape Canvas, um die Datenverfügbarkeit zu klären.

Dein Nutzen

Überblick über die wichtigsten Konzepte von Domain-driven Design

Verstehen, wie man eine Domäne mit Event Storming analysiert

Verstehen, wie man AI/ML Use Cases in den eigenen Projekten findet und diese mit dem ML Design Canvas strukturiert

Zukünftig eigenständig AI/ML-Event Storming-Workshops für potenzielle Produkte durchführen zu können

Zielgruppe

Softwarearchitekt:innen, Entwickler:innen, Data Scientists, Product Owner:innen, mit ersten praktischen Machine Learning Erfahrungen.

Lernziele

Herausfinden, welche Probleme für ML geeignet sind

Knowledge-Crunching-Methode Event Storming, von DDD hergeleitet, an einer Case Study erlernen und selber anwenden

Probleme und Möglichkeiten für ML in Geschäftsbereichen und Projekten definieren und priorisieren

Nutzung des Machine Learning Canvas erlernen, um ML-Projekte zu strukturieren

Nutzung des Data Landscape Canvas erlernen

Deine Trainer:innen

Christopher Stolle

INNOQ

Nachhaltige Softwarearchitektur, DDD und sinnvoller Einsatz von Technologie zur Lösung fachlicher Probleme

Christopher Stolle ist Principal Consultant bei INNOQ mit mehr als 10 Jahren Erfahrung im Projektgeschäft. Sein Fokus liegt auf der Integration und Modernisierung von Softwaresystemen sowie auf Digitalisierungsstrategien. Besonderes Augenmerk richtet er dabei auf den sinnvollen Technologieeinsatz zur Lösung fachlicher Probleme. Darüber hinaus hat er umfangreiche Projekterfahrung in der Konzeption und Implementierung von großen verteilten Software-Systemen. In letzter Zeit beschäftigt er sich zudem intensiv mit strategischem Domain-driven Design.

Dr. Larysa Visengeriyeva

INNOQ

Machine Learning und MLOps

Larysa ist Senior Consultant bei INNOQ. Sie hat im Bereich Augmented Data Quality an der TU Berlin promoviert. Bei INNOQ beschäftigt sie sich mit dem Thema der Operationalisierung von Machine Learning (MLOps). Sie ist Autorin von ml-ops.org.

Fachinfos und Bücher

ML-Ops.org

Alles zum Thema MLOps: Autorin und Maintainerin Larysa Visengeriyeva gibt hier eine vollumfängliche Einführung. Mehr Infos

Fairness und Künstliche Intelligenz

Klassisches Software-Testing lässt sich nicht ohne Weiteres auf KI übertragen. Model Governance und interne Audits sind nötig, um Fairness zu gewährleisten. Mehr lesen

Inhouse Training

Du kannst dieses Training auch als Inhouse-Training exklusiv für dein Team buchen. Bitte nutze dafür unser Anfrage-Formular.

Jetzt anfragen