Cloud Data Engineer mit Zusatzqualifikation - Entwickeln generativer KI-Apps im Azure KI Foundry-Portal

Generative KI ist kein Add-on mehr, das Unternehmen irgendwann einführen werden — sie wird bereits in Produktionssystemen eingesetzt, und Unternehmen suchen nach Fachkräften, die Data Engineering mit KI-Entwicklung verbinden können. Dieser Lehrgang qualifiziert genau dafür: Er kombiniert fundiertes Azure Data Engineering mit der praktischen Entwicklung generativer KI-Anwendungen im Azure KI Foundry-Portal (ehemals Azure AI Studio). Der Weg beginnt mit den Grundlagen der Azure-Datenplattform und führt über Machine Learning mit dem Azure Data Scientist Associate-Lehrgang (DP-100) bis zur Erstellung eigener Copilots und generativer KI-Lösungen auf Basis von Azure OpenAI-Modellen. Der Kurs ist bewusst als End-to-End-Qualifizierung angelegt: Wer ihn abschließt, versteht nicht nur, wie Daten in Azure verarbeitet werden, sondern auch, wie sie in KI-Modelle einfließen und wie sich daraus Anwendungen bauen lassen, die Sprache verstehen und generieren.

Modul 1 — Azure Data Engineering: Grundlagen und Plattform Der erste Block schafft das Fundament für alle weiteren Inhalte. Teilnehmende lernen die Azure-Datenplattform als System kennen — nicht als Sammlung einzelner Dienste, sondern als zusammenhängende Architektur aus Speicher, Integration, Verarbeitung und Analyse. Datenqualität und Governance sind von Anfang an Teil des Lernpfads, weil KI-Modelle nur so gut sind wie die Daten, auf denen sie trainiert wurden.

• Überblick Azure-Datendienste: Storage Accounts, Data Lake Gen2, Synapse, Data Factory
• Datenintegration und ETL/ELT-Muster mit Azure Data Factory
• Datentransformation mit Mapping Data Flows und Synapse Pipelines
• Datenqualität, Governance und Lineage in Azure Purview
• Kostenoptimierung und Performance-Tuning für Datenpipelines
• Einführung in Delta Lake für ACID-Transaktionen und Time Travel

Modul 2 — Azure Data Fundamentals (DP-900) Das zweite Modul legt die konzeptionelle Grundlage für die Arbeit mit relationalen und nicht-relationalen Daten in Azure und bereitet auf die DP-900-Prüfung vor. Es ist bewusst ins Curriculum integriert, um sicherzustellen, dass alle Teilnehmenden unabhängig von Vorkenntnissen dasselbe konzeptionelle Fundament haben.

• Grundkonzepte relationaler Daten: Tabellen, Schlüssel, Normalisierung, SQL-Abfragen in Azure SQL
• Nicht-relationale Datenstrukturen in Azure: Cosmos DB (Document, Key-Value), Table Storage
• Analytische Workloads: Azure Synapse Analytics, HDInsight, Databricks-Grundlagen
• Grundlagen KI-gestützter Datenverarbeitung mit Azure Cognitive Services
• Data-Governance-Konzepte und Datenlebenszyklus-Management

Modul 3 — Machine Learning mit Azure (DP-100) Im dritten Block liegt der Fokus auf maschinellem Lernen mit dem Azure Machine Learning Service. Teilnehmende verstehen den vollständigen ML-Lebenszyklus — von Datenaufbereitung und Feature Engineering über Modelltraining und Hyperparameter-Optimierung bis zum produktiven Deployment und Monitoring.

• Azure Machine Learning Workspace: Komponenten, Compute-Cluster, Environments
• Datenaufbereitung mit Azure ML-Datasets und -Datastore
• Training klassischer ML-Modelle (Regression, Klassifikation) und automatisiertes ML (AutoML)
• Feature Engineering und Dimensionsreduktion mit Azure ML-Pipelines
• Modell-Deployment: Real-time Endpoints, Batch Endpoints, Managed Online Endpoints
• ML-Monitoring: Datendrift, Modellverfall, Interpretierbarkeit mit Azure ML

Modul 4 — Generative KI im Azure KI Foundry-Portal (AI-3016) Das vierte Modul ist die Kernzusatzqualifikation des Lehrgangs. Hier lernen Teilnehmende, wie im Azure KI Foundry-Portal (Azure AI Studio) eigene KI-Anwendungen entwickelt werden — von der Modellauswahl über Prompt-Design bis zur Integration in bestehende Unternehmenssysteme.

• Azure KI Foundry-Portal: Projektaufbau, Modell-Katalog, Deployment-Optionen
• Azure OpenAI Service: Modelle (GPT-4, GPT-4o, DALL·E, text-embedding-ada-002), API-Zugriff
• Prompt Engineering: Systemrollen, Few-Shot-Beispiele, Chain-of-Thought, Temperatur und Top-P
• Retrieval-Augmented Generation (RAG): Eigene Dokumente als Wissensbasis einbinden
• Copilot-Entwicklung: Eigene Chatbots und Assistenten mit Azure AI Studio bauen
• Evaluierung generativer KI-Ausgaben: Groundedness, Relevanz, Sicherheit

Angewandte Übungen und Praxisszenarien Alle Module werden durch Aufgaben verbunden, die den Weg von rohen Daten bis zur fertigen KI-Anwendung in Azure abbilden.

• Datenpipeline mit Azure Data Factory: CSV-Daten aus Blob Storage laden, transformieren und in Synapse laden
• Azure ML-Experiment: Klassifikationsmodell für Kundensegmente trainieren und in Azure ML Registry versionieren
• AutoML-Durchlauf: Mehrere Modelle vergleichen, bestes Modell deployen und Real-time Endpoint testen
• Delta Lake: Datenänderungen mit Time Travel zurückverfolgen und Datenversionierung testen
• RAG-Anwendung: Unternehmens-FAQ-Dokumente indexieren und mit Azure OpenAI abfragbar machen
• Copilot bauen: Eigenen Support-Assistenten im Azure AI Studio konfigurieren und testen
• Prompt Engineering: Systemrolle und Beispieleingaben so gestalten, dass Ausgaben konsistent und sicher sind
• ML-Monitoring: Datendrift in einem produktiven Modell-Endpoint über Azure ML simulieren und erkennen
• Evaluierungs-Benchmark: Generative KI-Ausgaben nach Groundedness und Relevanz bewerten
• End-to-End-Projekt: Datenpipeline, ML-Modell und Copilot zu einer integrierten Lösung verbinden
• Azure Synapse: SQL-Pool-Abfragen für analytisches Reporting auf Trainingsdaten optimieren
• Sicherheitseinstellungen im Azure AI Studio: Content-Filter konfigurieren und testen

Der Lehrgang richtet sich an technisch versierte Fachkräfte, die sich auf die Verbindung von Datentechnik und KI-Entwicklung spezialisieren wollen.

• Data Engineers, die ihre Arbeit um Machine Learning und KI-Entwicklung erweitern möchten
• Data Scientists, die Azure-spezifisches Engineering-Wissen aufbauen wollen
• Cloud-Entwickler, die in KI-nahe Rollen wechseln möchten
• Technisch interessierte Quereinsteiger mit Grundkenntnissen in Datenbanken oder Cloud
• Systemarchitekten, die KI-Lösungen in Azure-Infrastruktur einbetten sollen

Unterrichtet wird im virtuellen Klassenzimmer; Vollzeit- und Teilzeit-Durchgänge stehen zur Verfügung. Theoretische Blöcke wechseln mit begleiteten Laborarbeiten in realen Azure-Umgebungen ab. Der Lehrgang ist so aufgebaut, dass die vier Module aufeinander aufbauen, aber auch die Möglichkeit besteht, individuelle Akzente zu setzen — je nachdem, ob Data Engineering oder generative KI stärker im Fokus stehen sollen.

Die Gesamtdauer ist abhängig von der Vollzeit- oder Teilzeitvariante und der Kombination der Module. Vollzeitdurchgänge bewegen sich typischerweise im Bereich mehrerer Monate; genaue Angaben erfragen Sie beim Anbieter.

Der Lehrgang bereitet auf die externen Microsoft-Prüfungen DP-900 (Azure Data Fundamentals) und DP-100 (Azure Data Scientist Associate) vor. Der AI-3016-Kurs bildet die Basis für die Zusatzqualifikation in generativer KI-Entwicklung. Alle externen Prüfungen werden separat bei einem Microsoft-autorisierten Testzentrum abgelegt. Zusätzlich erhalten Teilnehmende ein trägerinternes Zertifikat bzw. eine qualifizierte Teilnahmebescheinigung.

Der Arbeitsmarkt für KI-nahe Rollen wächst rasant — aber die meisten Stellenprofile verlangen heute nicht nur KI-Wissen, sondern die Kombination aus Daten-Engineering und KI-Entwicklung. Wer nur prompting kann, ohne Datenpipelines zu verstehen, trifft auf enge Grenzen. Wer nur Pipelines bauen kann, ohne zu verstehen, wie Modelle funktionieren und eingesetzt werden, bleibt unter seinem Potenzial. Dieser Lehrgang überbrückt genau diese Lücke — und zwar auf der Plattform, die im europäischen Unternehmensumfeld am weitesten verbreitet ist: Microsoft Azure. Azure KI Foundry ist Microsofts zentrales Portal für die industrielle Entwicklung generativer KI-Anwendungen. Wer dieses Werkzeug beherrscht, kann nicht nur Demos bauen, sondern produktionsreife Lösungen entwickeln — mit Content-Filtern, Evaluierungsmetriken, RAG-Architekturen und CI/CD-Integration. Das ist der Unterschied zwischen einem KI-Enthusiasten und einem KI-Engineer. Mit DP-900, DP-100 und der Foundry-Zusatzqualifikation haben Absolventen eine nachweisbare Spezialisierung, die in JD-Profilen von Cloud Architects, ML Engineers und AI Solution Architects direkt angefordert wird. Der Lehrgang ist damit nicht nur eine Qualifikation für den heutigen Markt — er schafft eine Grundlage, auf der weitere Spezialisierungen (Azure AI Engineer Associate, Azure Solutions Architect) direkt aufgebaut werden können.