AI-3019 KI-Apps mit Azure & PostgreSQL entwickeln – Kurs

Der Kurs AI-3019 Build AI Apps with Azure Database for PostgreSQL richtet sich an Entwicklerinnen und Entwickler, die moderne KI-gestützte Anwendungen auf der Azure-Plattform aufbauen möchten. Im Mittelpunkt steht die Verbindung von leistungsstarken relationalen Datenbanktechnologien auf Basis von PostgreSQL mit den umfangreichen KI- und Machine-Learning-Diensten, die Azure bereitstellt. Teilnehmerinnen und Teilnehmer lernen, wie sich Datenbankinfrastruktur und KI-Modelle sinnvoll miteinander kombinieren lassen, um skalierbare, sichere und performante Systeme zu bauen. Der Kurs ist als praxisorientierte Weiterbildung konzipiert und vermittelt sowohl konzeptionelles Verständnis als auch konkrete Handlungskompetenz für den beruflichen Alltag.

Das erste Modul legt die konzeptionellen Grundlagen für die Verbindung von Azure und PostgreSQL. Teilnehmerinnen und Teilnehmer machen sich mit der Azure-Plattform vertraut, lernen die Besonderheiten des verwalteten PostgreSQL-Dienstes kennen und verstehen, wie Daten sicher und effizient in der Cloud gespeichert und abgerufen werden können. Behandelt werden unter anderem die folgenden Bereiche.

• Aufbau und Architektur von Azure Database for PostgreSQL
• Bereitstellung und Grundkonfiguration einer verwalteten PostgreSQL-Instanz
• Verbindungsmanagement, Authentifizierungsmechanismen und rollenbasierte Zugriffskontrolle
• Replikationskonzepte, Hochverfügbarkeit und automatisierte Backupstrategien
• Netzwerkisolierung über Virtual Networks und Private Endpoints
• Monitoring von Datenbankmetriken über Azure Monitor und Log Analytics

Das zweite Modul behandelt die Integration von KI und Machine Learning in die Datenbankumgebung. Es zeigt, wie Azure Machine Learning als Trainingspipeline genutzt werden kann und wie trainierte Modelle über geeignete Schnittstellen direkt mit PostgreSQL-Daten interagieren. Die Inhalte dieses Moduls erstrecken sich über folgende Themenfelder.

• Überblick über Azure Machine Learning mit Workspaces, Compute-Clustern und Datasets
• Verbindung von Azure ML mit Azure Database for PostgreSQL als Datenquelle
• Training von Modellen auf datenbankgespeicherten Trainingsdaten
• Deployment von Inferenzendpunkten und deren Anbindung an Datenbankprozesse
• Vektordatenbankkonzepte und Ähnlichkeitssuche in PostgreSQL
• Einsatz von pgvector für Embedding-Speicherung und semantische Abfragen

Das dritte Modul widmet sich der Anwendungsentwicklung und dem Datenbankdesign für KI-Szenarien. Es geht darum, wie Datenmodelle so gestaltet werden, dass sie Machine-Learning-Workloads optimal unterstützen, ohne die transaktionale Nutzung zu beeinträchtigen. Die Schwerpunkte dieses Moduls liegen auf den nachstehenden Themen.

• Datenbankschema-Design für KI-Anwendungen, von normalisiert bis denormalisiert
• Trennung von OLTP- und Analytics-Workloads in PostgreSQL
• Indexierungsstrategien für große Datenmengen und Embedding-Vektoren
• Einsatz von Azure Synapse Analytics als analytische Erweiterung
• Datentransformationspipelines mit Azure Data Factory
• Integration externer Datenquellen über Federated Queries

Das vierte Modul behandelt Sicherheit, Leistungsoptimierung und Betrieb im Produktivumfeld. Hier lernen Teilnehmerinnen und Teilnehmer, wie sich KI-Datenbankarchitekturen auf Unternehmensreife heben lassen. Die inhaltlichen Schwerpunkte umfassen dabei folgende Aspekte.

• Verschlüsselung von Daten im Ruhezustand und während der Übertragung
• Azure Defender for PostgreSQL und Anomalieerkennung
• Automatisches Skalieren und Read-Replicas für KI-Workloads
• Query Performance Insight und Slow-Query-Analyse
• Kostenmanagement und Ressourcenbudgetierung in Azure
• Incident-Response und Notfallwiederherstellung für KI-Produktivsysteme

Im Praxismodul bauen Teilnehmerinnen und Teilnehmer eine eigene KI-Anwendung von Grund auf. Die realitätsnahen Übungen beinhalten dabei folgende Aufgaben.

• Einrichten einer Azure-PostgreSQL-Instanz mit sicherer Netzwerkkonfiguration
• Laden eines Trainings-Datasets aus einer externen Quelle in die Datenbank
• Aufbau einer Azure-ML-Pipeline zur Modelltraining und -evaluierung
• Deployment eines Inferenzendpunkts und Testen der API-Integration
• Implementierung einer Embedding-Suche mit pgvector
• Einrichten von Monitoring-Dashboards in Azure Monitor
• Performance-Tests unter simulierter Last und Optimierung der Abfragen
• Konfiguration automatischer Backups und Wiederherstellungstests
• Härtung der Datenbankinstanz gegen gängige Angriffsvektoren
• Kostenanalyse des aufgebauten Systems und Optimierungsschritte
• Dokumentation der Architekturentscheidungen im Azure Architecture Center-Stil
• Präsentation der eigenen Lösung im Kursplenum

Die abschließenden Kurseinheiten dienen der Konsolidierung und Rückschau. Teilnehmerinnen und Teilnehmer diskutieren reale Architekturszenarien und erarbeiten gemeinsam Lösungsansätze für typische Probleme in produktiven KI-Datenbankprojekten. Zertifizierungspfade und weiterführende Lernressourcen werden vorgestellt.

Der Kurs richtet sich an technisch affine Fachkräfte, die mit dem Aufbau und Betrieb von KI-Anwendungen auf der Azure-Plattform vertraut sein möchten. Die Weiterbildung ist besonders geeignet für die folgenden Berufsgruppen.

• Softwareentwicklerinnen und -entwickler, die ihre Projekte mit KI-Komponenten erweitern wollen
• Datenbankadministratorinnen und -administratoren, die in Richtung Cloud und KI wechseln
• Data Scientists und ML Engineers, die ihre Modelle in Produktionsdatenbanken einbetten möchten
• Cloud-Architektinnen und -Architekten, die hybride KI-Lösungen entwerfen
• DevOps-Fachkräfte, die PostgreSQL-Workloads auf Azure betreiben und optimieren

Der Kurs wird im Combined-Learning-Format angeboten, das Präsenz- und Online-Phasen miteinander verbindet. Dabei wechseln sich Instruktionsphasen mit praxisorientierten Laborübungen ab, in denen Teilnehmerinnen und Teilnehmer direkt in Azure-Umgebungen arbeiten. Die Trainerinnen und Trainer begleiten die Gruppen aktiv und stehen für individuelle Fragen zur Verfügung. Ergänzend kommen kollaborative Gruppenaufgaben zum Einsatz, in denen reale Szenarien analysiert und gemeinsam Lösungen erarbeitet werden. Die Kursmaterialien umfassen digitale Lernunterlagen, Referenzdokumentationen und Zugang zu einer Übungsumgebung auf der Azure-Plattform.

Die Kursdauer beträgt je nach Lernpfad zwischen einer und mehreren Wochen. In der Vollzeit-Variante wird der Stoff kompakt und intensiv innerhalb einer bis vier Wochen vermittelt. Teilzeitvarianten ermöglichen eine berufsbegleitende Weiterbildung über einen längeren Zeitraum von bis zu drei Monaten. Der genaue Starttermin und die konkrete Kurslänge werden individuell in Absprache mit dem Anbieter festgelegt.

Nach erfolgreichem Abschluss erhalten Teilnehmerinnen und Teilnehmer ein trägerinternes Zertifikat sowie die Möglichkeit, auf anerkannte Herstellerzertifikate von Microsoft und weiteren Technologiepartnern hinzuarbeiten. Das Kurszertifikat dokumentiert die erworbenen Kenntnisse und kann bei Bewerbungen als Nachweis der Weiterbildung vorgelegt werden. Der Kurs bereitet auf weiterführende Microsoft-Zertifizierungsprüfungen im Bereich Azure-Datenbank und KI vor.

Die Nachfrage nach Fachkräften, die KI-Anwendungen auf relationalen Datenbankplattformen entwickeln und betreiben können, wächst in der deutschen und internationalen IT-Branche kontinuierlich. Mit den Kompetenzen aus diesem Kurs sind Absolventinnen und Absolventen in der Lage, ein breites Spektrum von Projekten zu übernehmen — von der Konzeption intelligenter Empfehlungssysteme über Echtzeit-Anomalieerkennung bis hin zu semantischen Suchfunktionen auf Basis von Embeddings. Diese Fähigkeiten erhöhen die berufliche Attraktivität und eröffnen Wege in spezialisierte Rollen wie ML Engineer, Cloud Data Architect oder Azure Solution Specialist. Eine frühzeitige Beratung beim zuständigen Träger klärt, welche Möglichkeit individuell passt. Neben der technischen Qualifikation profitieren Teilnehmerinnen und Teilnehmer vom strukturierten Netzwerken mit Gleichgesinnten aus der IT-Branche. Der Kurs wird von erfahrenen Trainerinnen und Trainern geleitet, die aktuelle Praxiserfahrung aus realen Cloud- und KI-Projekten einbringen und damit sicherstellen, dass die vermittelten Inhalte unmittelbar auf aktuelle Berufsanforderungen übertragbar sind.