AI in Cloud Computing with Red Hat Certified Engineer

KI-Workloads laufen heute fast ausschließlich auf Cloud-Infrastrukturen — und die zuverlässige Automatisierung dieser Infrastrukturen entscheidet darüber, ob Modelle konsistent trainiert, bereitgestellt und betrieben werden können. Red Hat Enterprise Linux und Ansible sind in Unternehmensumgebungen die führenden Plattformen für genau diesen Infrastruktur-Betrieb: reproduzierbar, skalierbar und für regulierte Umgebungen geeignet. Dieser Kurs verbindet zwei fachlich aufeinander abgestimmte Module: Das erste Modul behandelt KI im Cloud-Computing-Kontext — von Containerisierung für ML-Modelle über Cloud-native KI-Dienste bis zu Infrastrukturarchitekturen, die heterogene AI-Workloads tragen. Das zweite Modul bereitet auf den Red Hat Certified Engineer (RHCE) vor, dessen Prüfung (EX294) ausschließlich Ansible-Automatisierung bewertet: Playbooks, Roles, dynamische Inventare, Vault-Verschlüsselung und komplexe Workflow-Szenarien. RHCSA-Kenntnisse (Red Hat Certified System Administrator) sind Voraussetzung für die RHCE-Prüfung und werden im Kurs als bekannt vorausgesetzt. Wer RHCE und Cloud-AI-Kompetenz kombiniert, kann die Betriebsgrundlagen für KI-Infrastrukturen auf Enterprise-Linux-Basis autonom verantworten.

Modul 1 — KI im Cloud Computing Der erste Block des KI-Moduls legt das konzeptionelle Fundament für KI-Infrastrukturen in der Cloud. Wer KI-Workloads betreibt, muss verstehen, warum GPU-basierte Rechenkapazität, verteiltes Training und Modell-Serving andere Infrastrukturanforderungen stellen als klassische Webanwendungen. Dieser Block vermittelt die Prinzipien ohne Bindung an einen bestimmten Cloud-Anbieter.

• Infrastrukturtypen für KI: GPU-Instanzen, TPU-Acceleratoren, Spot/Preemptible Instances
• Containerisierung für ML: Reproduzierbarkeit, Dependency Management, Portabilität von Trainingsumgebungen
• Podman und Docker im Enterprise-Linux-Kontext: Container-Images für ML-Workloads erstellen und verwalten
• Kubernetes-Konzepte für KI: Pods für Training-Jobs, Persistent Volumes für Datensätze, Node-Scheduling mit GPU-Constraints
• Cloud-native ML-Plattformen im Überblick: Managed Training, Hosted Notebooks, Feature Stores
• Netzwerk- und Speicheranforderungen für verteiltes ML-Training auf Linux-Clustern

Der zweite Block des KI-Moduls behandelt MLOps auf Infrastrukturebene. Das Deployment und der Betrieb von ML-Modellen in Produktionsumgebungen erfordert Automatisierungs-Workflows, Monitoring-Infrastruktur und reproduzierbare Konfigurationsmanagement-Pipelines — genau der Bereich, in dem Ansible-Kenntnisse direkt anwendbar sind.

• MLOps-Konzepte: Model Registry, Deployment-Pipelines, A/B-Testing-Infrastruktur, Canary Deployments
• Inference-Infrastruktur: REST-Serving von ML-Modellen auf Linux-Servern
• Ansible für MLOps: automatisierte Bereitstellung von ML-Serving-Infrastruktur auf RHEL
• Observability für KI-Infrastrukturen: Prometheus, Grafana und Log-Management auf Linux
• Sicherheitsaspekte von KI-Infrastrukturen: Zugriffskontrolle auf Modelle und Daten, SELinux in KI-Umgebungen
• Container-Sicherheit: Scanning, Signierung und Compliance-Anforderungen für ML-Container-Images

Modul 2 — Red Hat Certified Engineer (RHCE / EX294 / Ansible) Der erste Block des RHCE-Moduls baut auf RHCSA-Kenntnissen auf und führt in die Ansible-Grundarchitektur auf Practitioner-Niveau ein. EX294 ist eine rein praktische Prüfung: Es gibt keine Multiple-Choice-Fragen; alle Aufgaben müssen in einer Live-Umgebung umgesetzt werden.

• Ansible-Architektur: Control Node, Managed Nodes, Inventory-Konzepte und Verbindungsmanagement
• Einfache und komplexe Playbooks: Tasks, Handlers, Variables, Facts, Templates (Jinja2)
• Ansible Modules für RHEL-Systemverwaltung: yum/dnf, service, user, file, copy, template, firewalld
• Conditionals, Loops und Register-Variablen für dynamische Playbook-Logik
• Fehlerbehandlung: ignore_errors, failed_when, rescue und always-Blöcke
• Ansible-Tags für selektive Task-Ausführung in großen Playbooks

Der zweite Block des RHCE-Moduls behandelt Ansible Roles, Vault und dynamische Inventare — die fortgeschrittenen Konzepte, die in EX294 besonders gewichtet sind. Roles sind der Weg zu wiederverwendbarem, testbarem Ansible-Code; Vault ist unverzichtbar für produktionsreife Playbooks mit Credentials.

• Ansible Roles: Verzeichnisstruktur, defaults, vars, tasks, handlers, meta und files/templates
• Ansible Galaxy: Roles herunterladen, verwalten und in eigene Playbooks einbinden
• Ansible Vault: Dateien und Variablen verschlüsseln, Vault-Passwörter in CI/CD-Pipelines sicher verwenden
• Dynamische Inventare: Cloud-Provider-Inventare, Custom-Skripte und Inventory Plugins
• Ansible Parallelisierung: Forks, Strategy und Serial für skalierbare Multi-Host-Deployments
• EX294-Prüfungsvorbereitung: typische Aufgabentypen, Zeitmanagement in der praktischen Prüfung

Im praktischen Teil des Kurses werden folgende Aufgaben bearbeitet

• Ansible Playbook zur vollautomatischen Einrichtung eines ML-Serving-Servers auf RHEL 9
• Ansible Role für die Konfiguration eines Prometheus-Monitorings für Inference-Endpunkte
• Vault-Integration: sichere Verwaltung von Cloud-API-Credentials in Ansible Playbooks
• Dynamisches Inventar für eine simulierte Cloud-Umgebung mit mehreren Hostgruppen
• Container-Deployment mit Podman: Aufbau und Start eines ML-Model-Serving-Containers über Ansible
• Fehlerbehandlungs-Playbook: automatisiertes Rollback bei fehlgeschlagenem Deployment
• Prüfungssimulation EX294: vollständige Ansible-Aufgaben unter Zeitbedingungen
• MLOps-Szenario: automatisierte Bereitstellung einer Inference-Pipeline auf zwei RHEL-Knoten

Dieser Kurs richtet sich an Linux-Systemadministratoren und Cloud-Engineers, die Ansible auf RHCE-Niveau beherrschen und KI-Infrastrukturen in Enterprise-Linux-Umgebungen automatisiert betreiben wollen.

• Linux-Systemadministratoren und -administratorinnen mit RHCSA-Kenntnissen auf dem Weg zum RHCE
• Cloud-Engineers, die KI-Workloads auf RHEL-basierten Infrastrukturen automatisieren
• DevOps-Ingenieure und -Ingenieurinnen mit Fokus auf Infrastruktur-Automatisierung und MLOps
• IT-Administratoren und -Administratorinnen in Rechenzentren, die Ansible einführen oder vertiefen wollen
• Technische Fachkräfte, die ihre Linux-Kenntnisse durch eine Red-Hat-Zertifizierung belegen wollen

Beide Module werden im virtuellen Klassenzimmer live unterrichtet. Das Ansible-Modul ist stark laborbasiert: Konfigurationsaufgaben werden direkt in RHEL-Übungsumgebungen umgesetzt. Der EX294 ist eine praktische Prüfung, auf die durch wiederholte Aufgabenszenarien unter realistischen Bedingungen vorbereitet wird — kein Multiple-Choice-Training. Das KI-Modul kombiniert konzeptionelle Einheiten mit praktischen Demos auf Linux-Basis. Home-Office-Teilnahme ist genehmigt; Präsenzarbeitsplätze sind verfügbar.

Der Kurs umfasst mehr als einen Monat bis zu drei Monaten im Vollzeitformat. Die Dauer der einzelnen Module ist individuell konfigurierbar; für Teilzeitformate empfiehlt sich eine direkte Absprache mit dem Anbieter.

Nach Abschluss des Kurses wird ein trägerinternes Lehrgangszertifikat ausgestellt. Die Red Hat Certified Engineer-Zertifizierung (RHCE) erfordert eine separate, bei Red Hat abgelegte praktische Prüfung (EX294) und ist nicht Bestandteil des Kursabschlusses; der Kurs bereitet auf diese Prüfung vor. Red-Hat-Zertifizierungen sind zeitlich begrenzt und müssen regelmäßig erneuert werden. Das Herstellerzertifikat von Red Hat gilt als hochwertiger Qualifikationsnachweis in Linux-Enterprise-Umgebungen.

Red Hat Certified Engineer ist eine der wenigen IT-Zertifizierungen, die ausschließlich in einer praktischen Laborprüfung abgenommen wird — ohne Multiple-Choice-Anteil. Das bedeutet: Ein RHCE-Zertifikat belegt echte Handlungskompetenz, nicht nur deklaratives Wissen. In einem Markt, in dem Linux-Zertifizierungen proliferieren, bleibt RHCE deshalb der Goldstandard für Enterprise-Linux-Automatisierung. Die Verbindung mit dem Cloud-AI-Modul schafft ein Qualifikationsprofil, das in MLOps-Teams und in AI-Plattform-Betriebseinheiten gefragt ist. Wer Ansible-Playbooks für ML-Serving-Infrastruktur schreiben kann, der überbrückt die Lücke zwischen Data-Science-Teams, die Modelle liefern, und Operations-Teams, die diese in Produktion bringen müssen. Diese Lücke ist in vielen Unternehmen eine der größten Bremsklötze für KI-Deployment. Langfristig bietet die Kombination Einstiegspunkte in spezialisierte Rollen: Infrastructure Engineer in KI-Projekten, MLOps-Spezialist mit Linux-Fokus, Red-Hat-nahe Cloud-Beratung oder Platform-Engineering in Unternehmen mit RHEL-Basis. Wer den RHCE ergänzend durch OpenShift-Kenntnisse erweitert, positioniert sich für eine der gefragtesten Infrastruktur-Spezialisierungen im Enterprise-Kubernetes-Bereich.