AI and Machine Learning Specialist with Red Hat Certified Engineer

Dieser Kombinationskurs verbindet zwei eigenständige, aber gut ergänzende Fachrichtungen: die Spezialisierung auf künstliche Intelligenz und maschinelles Lernen in Cloud-Computing-Umgebungen einerseits und die Red-Hat-Zertifizierung zum Certified Engineer (RHCE, Prüfung EX294) andererseits. Die RHCE-Prüfung prüft seit ihrer Neuausrichtung primär Ansible-Automation – also die Fähigkeit, Linux-Umgebungen automatisiert zu provisionieren, zu konfigurieren und zu betreiben. In Kombination mit ML-Kompetenz entsteht ein Profil, das für datengetriebene Infrastrukturautomatisierung und den Betrieb von KI-Workloads auf Linux-basierten Plattformen gut geeignet ist.

Modul 1: KI und maschinelles Lernen in der Cloud Dieser Abschnitt legt das konzeptionelle Fundament für den KI/ML-Teil des Kurses. Sie lernen die Grundprinzipien des maschinellen Lernens kennen – von den mathematischen Grundlagen der Optimierung über typische Datenvorbereitungsschritte bis hin zur Modellauswahl. Besonders im Fokus steht die Anwendung in Cloud-Computing-Umgebungen, wo skalierbare Rechenkapazitäten für das Training großer Modelle genutzt werden können.

• Supervised Learning: lineare Regression, logistische Regression, Entscheidungsbäume, Random Forest
• Unsupervised Learning: K-Means-Clustering, Dimensionsreduktion mit PCA
• Datenvorverarbeitung: Normalisierung, Behandlung fehlender Werte, Feature Engineering
• Modelltraining und Hyperparameter-Tuning (Grid Search, Cross-Validation)
• Evaluierungsmetriken für Klassifikation und Regression
• Cloud-Infrastruktur für ML-Workloads: Recheninstanzen, Speicher, GPU-Ressourcen

Modul 2: Datengetriebene Prozesse und KI-Integration Dieser Block vertieft die praktische Seite der KI-Entwicklung: Wie werden Modelle in bestehende Geschäftsprozesse eingebunden? Welche Datenpipelines sind notwendig, und wie lassen sie sich wartbar gestalten? Sie erarbeiten konkrete Szenarien aus verschiedenen Branchen.

• Aufbau von Datenpipelines: Datenquellen, Transformation, Laden (ETL)
• Einsatz von pandas und NumPy für Datenwrangling in Python
• Modell-Deployment: REST-API-Schnittstellen für ML-Modelle
• Monitoring von Modellen im Betrieb: Drift-Erkennung und Retraining
• Sicherheit und Datenschutz beim Umgang mit Trainingsdaten
• Dokumentation und Reproduzierbarkeit von Experimenten (MLflow-Konzepte)

Modul 3: Red Hat Certified Engineer (RHCE/EX294) – Ansible-Automatisierung Der RHCE-Teil des Kurses fokussiert vollständig auf Ansible – das offizielle Prüfungsthema der aktuellen EX294-Zertifizierung. Sie lernen, wie mit Ansible Playbooks komplexe Linux-Systemkonfigurationen automatisiert werden. Dabei geht es um Praxiskompetenz: die EX294 ist eine reine Hands-on-Prüfung ohne Multiple-Choice-Anteil.

• Ansible-Grundarchitektur: Inventory, Control Node, Managed Nodes
• Playbook-Struktur: Tasks, Handlers, Variables, Templates (Jinja2)
• Rollen (Roles): Strukturierung wiederverwendbarer Automatisierungseinheiten
• Ansible Galaxy: Community-Rollen nutzen und eigene veröffentlichen
• Fehlerbehandlung in Playbooks: Blöcke, Rescue, Always
• Systemkonfiguration mit Ansible: Pakete, Dienste, Firewall, SELinux, Dateisystem

Modul 4: Linux-Systemadministration für KI-Umgebungen Dieser abschließende Block verknüpft Linux-Administration mit dem Betrieb von KI-Workloads. Sie verstehen, wie Python-Umgebungen auf Red-Hat-Systemen isoliert und verwaltet werden, wie Container (Podman) für ML-Trainingsaufgaben eingesetzt werden und wie Ansible eingesetzt wird, um ML-Infrastruktur reproduzierbar bereitzustellen.

• Python-Umgebungsverwaltung auf RHEL: venv, pip, Conda auf Enterprise-Linux
• Container mit Podman: Images bauen, Volumes, Netzwerke
• Automatisiertes Deployment von ML-Umgebungen mit Ansible
• Ressourcenverwaltung auf Linux: cgroups, CPU/Memory-Limits für Trainingsjobs
• Logfile-Analyse und Monitoring: journald, rsyslog, systemd-Dienste
• IT-Sicherheitskonzepte: SELinux-Policies, Firewall-Regeln, SSH-Härtung

Praxisblock: Integriertes Abschlussprojekt In diesem umfangreichen Praxisteil entwickeln Sie eine vollständige, automatisiert bereitgestellte ML-Trainingsumgebung. Sie verbinden Ansible-Automatisierung mit Python-ML-Workflow —

• Ansible-Playbook zur Provisionierung einer ML-Node (Python, Bibliotheken, GPU-Treiber)
• Versioniertes Inventory für Staging- und Produktionsumgebungen
• Automatisches Deployment eines scikit-learn-Modells als REST-API (Flask/FastAPI)
• Containerisierung des ML-Services mit Podman
• Ansible-Rolle für wiederkehrende Deployments
• Überwachung des laufenden Services mit systemd und journald
• Dokumentation der Deployment-Pipeline in YAML und README
• Qualitätssicherung: Unit-Tests für das ML-Modell, Integrationstests für die API
• Sicherheitsprüfung der bereitgestellten Umgebung (SELinux, Firewall, SSH)
• Abschlusspräsentation der Architektur und Reflexion der Technologieauswahl
• Fehleranalyse und Debugging typischer Ansible-Laufzeitfehler
• Vergleich des manuellen vs. automatisierten Deployment-Aufwands

Die Praxisaufgaben orientieren sich an realistischen DevOps-/MLOps-Szenarien, die in Unternehmen mit Red-Hat-basierter Infrastruktur auftreten. Der Kurs schließt mit einer gemeinsamen Auswertung der Abschlussprojekte, in der Lösungsansätze verglichen und Best Practices besprochen werden.

Dieser Kurs richtet sich an IT-Fachleute, die sowohl in der Systemadministration als auch im wachsenden Bereich der KI und des maschinellen Lernens Fuß fassen wollen. Das Kombiprofil ist besonders interessant für Personen, die in MLOps- oder DevOps-Rollen tätig werden möchten.

• Linux-Systemadministratoren, die ihre Karriere um KI/ML-Kompetenz erweitern wollen
• Entwickler, die Automatisierungswerkzeuge für KI-Infrastruktur erlernen möchten
• IT-Fachleute mit Python-Grundkenntnissen, die sich auf RHCE vorbereiten
• Quereinsteiger aus verwandten IT-Bereichen, die ein breites Technikprofil aufbauen
• DevOps-Engineers, die ML-Workloads in ihre Automatisierungspipelines integrieren wollen

Der Unterricht läuft als Live-Kurs im virtuellen Klassenzimmer: Dozentinnen und Dozenten vermitteln Inhalte in interaktiven Unterrichtseinheiten, die durch Übungsphasen in eigenen Lab-Umgebungen ergänzt werden. Ansible-Übungen werden auf virtuellen Red-Hat-Lab-Systemen durchgeführt; ML-Aufgaben laufen in vorkonfigurierten Python-Umgebungen. Der Kurs ist auf Vollzeitteilnahme ausgelegt, Teilzeitoption nach Absprache möglich.

Da die Kursinhalte individuell kombinierbar sind, hängt die Gesamtdauer vom gewählten Umfang ab. Ein typischer Durchlauf mit beiden Zertifizierungszielen (ML-Spezialisierung plus RHCE) erfordert mehrere Wochen intensiver Vollzeitteilnahme. Aktuelle Zeitpläne und Termine sind über die Anbieterseiten auf Kursweg einsehbar.

Der Kurs bereitet auf die Red-Hat-Zertifizierungsprüfung RHCE (EX294) sowie auf eine Anbieterzertifizierung im KI/ML-Bereich vor. Die RHCE-Prüfung wird von Red Hat als Hands-on-Lab-Prüfung abgenommen und führt bei Bestehen zum offiziellen Red-Hat-Zertifikat. Der ML-Spezialisierungsanteil schließt mit einer trägerinternen Zertifizierung ab. Hersteller der RHCE-Zertifizierung ist Red Hat (IBM); die Zertifizierung ist zeitlich befristet und muss nach drei Jahren erneuert werden.

Das Kombiprofil aus KI/ML-Wissen und Linux-Automatisierung über Ansible ist auf dem Arbeitsmarkt vergleichsweise selten und daher gesucht: MLOps-Rollen, die sowohl Modellentwicklung als auch den zuverlässigen Betrieb von Trainings- und Inferenzinfrastruktur verantworten, setzen genau diese Kombination voraus. Der RHCE stärkt das Profil insbesondere bei Unternehmen, die auf Red-Hat-Enterprise-Linux oder OpenShift als Betriebsplattform setzen. Ansible ist als De-facto-Standard für Infrastrukturautomatisierung in Enterprise-Umgebungen etabliert, und die Fähigkeit, ML-Deployments damit zu automatisieren, verkürzt den Weg von Experimenten in der Entwicklungsumgebung zur produktiven Anwendung erheblich. Dieser Kurs vermittelt genau diesen Brückenschlag – von der Datenvorbereitung über das Modelltraining bis zur automatisierten Bereitstellung auf Linux-Systemen. Darüber hinaus bietet das offiziell anerkannte RHCE-Zertifikat von Red Hat eine verlässliche, prüfungsbasierte Nachweisgrundlage für die Systemkompetenz, die von Personalverantwortlichen in IT-intensiven Branchen gut eingeordnet werden kann.