KI-Architekt*in mit Zusatzqualifikation Azure für Forscher

Forschungseinrichtungen, Universitäten und wissenschaftsnahe Unternehmen arbeiten zunehmend mit großen, komplexen Datensätzen, für deren Verarbeitung lokale Infrastruktur schnell an Grenzen stößt. Cloud-Plattformen wie Microsoft Azure bieten hier skalierbare Rechenleistung, sichere Datenhaltung und spezialisierte KI-Dienste — doch der Weg von der Theorie zur produktiven Nutzung in einem Forschungskontext erfordert gezielte Einarbeitung. Diese Weiterbildung führt Forschende, IT-Fachkräfte und interessierte Quereinsteiger in die Konzepte und Werkzeuge ein, die für den Aufbau und den Betrieb cloud-basierter KI-Architekturen in wissenschaftlichen Projekten relevant sind. Grundlage bildet die Microsoft-AZ-900-Zertifizierung, die um praxisnahe Module zu KI-Architektur, Datenmanagement und Sicherheit in Azure ergänzt wird.

Einführung in Cloud Computing Den Einstieg bildet ein konzeptioneller Überblick über Cloud-Computing — was es ist, warum es für Forschende relevant ist und wie es sich von klassischer On-Premises-Infrastruktur unterscheidet. Gerade wer aus einem naturwissenschaftlichen oder geisteswissenschaftlichen Forschungsumfeld kommt und bislang wenig IT-Erfahrung mitbringt, gewinnt hier das Vokabular und das konzeptionelle Gerüst für alle weiteren Inhalte.

• Grundlagen und Definitionen von Cloud Computing
• Vergleich On-Premises vs. Cloud: Vor- und Nachteile
• Servicemodelle IaaS, PaaS und SaaS mit Anwendungsbeispielen aus der Forschung
• Bereitstellungsmodelle: Public, Private, Hybrid Cloud
• Typische Anwendungsfälle in Forschung und Wissenschaft
• Kostenprinzipien und Abrechnungsmodelle in der Cloud

Microsoft Azure im Überblick — AZ-900 (Azure Fundamentals) Dieser Block deckt den vollständigen Prüfungsstoff der AZ-900-Zertifizierung ab. Er vermittelt ein strukturiertes Bild der Azure-Plattform: welche Dienste es gibt, wie sie zusammenspielen und welche für datenintensive Projekte besonders relevant sind.

• Kernservices in Azure: Compute, Storage, Networking
• Azure-Datendienste: Azure SQL, Cosmos DB, Blob Storage
• Azure-Governance: Abonnements, Ressourcengruppen, Richtlinien
• Preismodelle und Service Level Agreements
• Datenanalyse mit Azure Synapse und Azure Data Factory
• Prüfungsstruktur und Themenschwerpunkte der AZ-900

KI-Architektur-Grundlagen Hier geht es darum zu verstehen, wie KI-Systeme in Cloud-Infrastruktur eingebettet werden — welche Architekturmuster existieren, welche Rolle verschiedene Azure-Dienste darin spielen und wie Machine-Learning-Projekte von der Datenbeschaffung bis zur Modellinferenz strukturiert werden.

• Überblick KI-Architekturmuster in der Cloud
• Verbindung von Daten-Pipeline, Modelltraining und Inferenz
• Azure Machine Learning: Workspace, Compute und Datastores
• Überblick Cognitive Services und deren Forschungsanwendungen
• Grundlagen des Responsible-AI-Frameworks von Microsoft
• Aufbau eines Azure Machine Learning-Projekts als Praxisübung

Datenmanagement und Sicherheit in Azure Forschungsdaten unterliegen oft besonderen Anforderungen: Datenschutz, Reproduzierbarkeit, Langzeitarchivierung. Dieser Block zeigt, wie Azure-Dienste datenschutzkonform genutzt werden — von der Zugangskontrolle bis zur sicheren Datenhaltung.

• Azure IAM: Rollen, Berechtigungen und Zugriffsrichtlinien
• Verschlüsselung in Transit und At Rest in Azure
• Sicherer Umgang mit sensiblen Forschungsdaten
• Azure Key Vault für Secrets Management
• Compliance-Anforderungen und DSGVO-Konformität in Azure
• Praxisfall: Verwaltung und Freigabe sensibler Forschungsdaten

Praxisprojekt — Forschungsanwendung in Azure Im abschließenden Modul setzen Teilnehmende ein eigenes Forschungsprojekt in einer Azure-Testumgebung um. Dieser Block stellt die Verbindung zwischen allen vorherigen Inhalten her.

• Aufbau und Konfiguration einer Azure-Testumgebung
• Laden, Speichern und Verwalten eines Forschungsdatensatzes in Azure
• Explorative Datenanalyse mit Azure Notebooks (Jupyter in der Cloud)
• Integration eines Machine-Learning-Modells oder KI-Dienstes
• Dokumentation und Nachvollziehbarkeit der Ergebnisse
• Ergebnispräsentation und kritische Bewertung des Projekts

Praxisblock Ergänzend zu den Modulen werden hands-on Übungen durchgeführt, die verschiedene Azure-Dienste direkt erproben.

• Einrichtung eines eigenen Azure-Testkontos und Ressourcengruppe
• Abfrage und Transformation von Daten in Azure SQL
• Aufbau eines einfachen Machine-Learning-Workflows in Azure ML
• Konfiguration von Zugriffsrechten für ein Forschungsteam
• Nutzung von Azure Notebooks für eine datenbasierte Auswertung
• Kostenüberwachung und Budgetverwaltung in Azure
• Vergleich verschiedener Speicheroptionen für Forschungsdaten
• Dokumentation eines vollständigen Cloud-Projekts für die Nachvollziehbarkeit

Die praktischen Einheiten sind so gestaltet, dass Teilnehmende direkt mit der Azure-Plattform arbeiten und die Konzepte nicht nur lesen, sondern erproben. Fehler und Nachfragen während der Übungen sind ausdrücklicher Teil des Lernprozesses.

Die Weiterbildung spricht Personen an, die in forschungsnahen oder wissenschaftlichen Umgebungen mit datenintensiven Projekten konfrontiert sind.

• Forschende aus Natur-, Sozial- und Geisteswissenschaften, die Cloud-Tools für ihre Datenarbeit erschließen wollen
• IT-Fachkräfte in Forschungseinrichtungen, die ihre Azure-Kenntnisse strukturiert aufbauen möchten
• Data Scientists aus der Industrie, die sich auf forschungsnahe Projekte spezialisieren
• Mitarbeitende in Forschungsabteilungen von Unternehmen mit datenintensiven Prozessen
• Quereinsteiger mit IT-Interesse, die den Einstieg in Cloud und KI über einen Forschungskontext suchen

Die Weiterbildung kombiniert Trainerinput, strukturierte Übungen und eigenständige Projektarbeit. In synchronen Einheiten werden Konzepte erläutert und direkt an der Azure-Plattform veranschaulicht; in asynchronen Phasen arbeiten Teilnehmende im eigenen Tempo an Übungsaufgaben und dem Abschlussprojekt. Das Format ist auf Vollzeit ausgelegt, einzelne Durchführungen laufen auch in Teilzeit. Alle Übungen finden in einer sicheren Testumgebung statt, sodass kein Risiko für produktive Systeme entsteht.

Die Kursdauer hängt vom gewählten Durchführungsformat ab und wird im jeweiligen Angebot präzise angegeben. Vollzeitdurchführungen ermöglichen einen kompakteren Ablauf; Teilzeitvarianten strecken die Inhalte auf einen längeren Zeitraum.

Das Programm bereitet auf die Microsoft-Prüfung AZ-900 (Azure Fundamentals) vor, die bei einem akkreditierten Microsoft-Testcenter abgelegt wird. Ergänzend stellen die Anbieter nach Kursabschluss ein Teilnahmezertifikat aus, das Inhalte und Dauer dokumentiert.

Forschungsprojekte werden datengetriebener — aber viele Forschende und wissenschaftliche IT-Teams haben wenig Zeit für breite Cloud-Schulungen. Diese Weiterbildung adressiert genau diesen Bedarf: Sie ist auf den Forschungskontext zugeschnitten und verwendet Beispiele, Szenarien und Datentypen, die in wissenschaftlichen Projekten tatsächlich vorkommen. Die Verbindung aus AZ-900-Zertifizierung und praxisorientierten Modulen zu Sicherheit, KI-Architektur und Datenmanagement schafft ein solides Fundament, das direkt in echten Projekten anwendbar ist. Wer den Kurs abschließt, kann Azure-Ressourcen für ein Forschungsprojekt eigenständig aufsetzen, konfigurieren und dokumentieren — und versteht, welche Dienste für welche Anforderungen geeignet sind. Besonders der Fokus auf Datensicherheit und DSGVO-Konformität ist für Forschungseinrichtungen relevant: Nicht alle Cloud-Nutzungsszenarien sind automatisch datenschutzkonform. Das Programm schärft das Bewusstsein dafür, welche Konfigurationen notwendig sind, um sensible Forschungsdaten rechtskonform in der Cloud zu halten.