KI-Architekt*in mit Zusatz­qualifikation

Passt der Kurs zu dir?

1. 1
   Motivation und Lernbereitschaft
2. 2
   Zuverlässigkeit im jeweiligen Arbeitsfeld
3. 3
   Konkrete Zulassung des gewählten Weges prüfen

Das lernst du

1. 1
   Titel: KI-Architekt*in mit Zusatzqualifikation - Implementieren eines Lakehouse mit Microsoft Fabric
2. 2
   1. Kursbeschreibung
3. 3
   Der Kurs,,KI-Architekt*in mit Zusatzqualifikation - Implementieren eines Lakehouse mit Microsoft Fabric" vermittelt umfassendes Wissen über die Entwicklung, Integration und Verwaltung von KI-Systemen in modernen Datenarchitekturen. Teilnehmende lernen, wie sie ein Lakehouse mit Microsoft Fabric implementieren, um große Datenmengen effizient zu speichern, zu transformieren und für KI-Modelle nutzbar zu machen. Der Kurs kombiniert technologische Tiefe mit praxisnahen Anwendungen aus Data Engineering, Künstl...
4. 4
   2. Zielgruppe
5. 5
   Der Kurs richtet sich an KI-Architekt:innen, Data Engineers, Cloud-Architekt:innen, Data Scientists und IT-Fachkräfte, die Microsoft Fabric, Azure und KI-Modelle in einer einheitlichen Plattform nutzen möchten.
6. 6
   3. Kursniveau
7. 7
   Fortgeschrittene bis Expert:innen - Kenntnisse in Datenbanken, Cloud Computing und maschinellem Lernen sind empfehlenswert.
8. 8
   4. Vorkenntnisse und empfohlene Vorkurse
9. 9
   Empfohlen werden die Kurse,,Azure Fundamentals (AZ-900)" und,,Introduction to Python", um Cloud- und KI-Grundlagen zu festigen.
10. 10
    5. Agenda (4-6 Themenblöcke)
11. 11
    Modul 1: Architektur moderner KI- und Datenplattformen
12. 12
    Teilnehmende lernen die Grundlagen moderner Datenarchitekturen kennen und verstehen, wie KI-Systeme, Data Warehouses und Lakehouses zusammenarbeiten.
13. 13
    Praxisbeispiel: Entwurf einer hybriden KI- und Datenarchitektur mit Azure und Microsoft Fabric.
14. 14

    Kursinhalte

    Komponenten einer KI-Datenplattform
    Architektur von Data Lakes, Warehouses und Lakehouses
    Integration von Azure Data Services und Fabric
    Governance, Sicherheit und Compliance
    Modul 2: Microsoft AI-102 - Azure AI Engineer Associate
    Dieses Modul vermittelt praxisorientierte Kenntnisse zur Entwicklung und Implementierung von KI-Anwendungen in Azure. Teilnehmende arbeiten mit Cognitive Services, Azure Machine Learning und Azure OpenAI.
    Praxisbeispiel: Entwicklung einer KI-basierten Datenanalyse-Anwendung mit Azure OpenAI.
    Entwicklung von KI-Lösungen mit Azure
    Nutzung von Cognitive Services und OpenAI-Modellen
    Integration von KI in Datenarchitekturen
    Sicherheit, Skalierung und Monitoring
    Modul 3: Microsoft DP-203 - Data Engineering on Microsoft Azure
    Dieses Modul konzentriert sich auf das Design, die Implementierung und Verwaltung von Datenpipelines in Azure. Es vermittelt, wie Daten aus verschiedenen Quellen in Data Lakes integriert und transformiert werden.
    Praxisbeispiel: Erstellung einer automatisierten Datenpipeline für KI-Modelle.
    Datenaufnahme, -speicherung und -transformation
    Nutzung von Azure Synapse Analytics und Data Factory
    Optimierung von Dataflows und Performance
    Verwaltung von Metadaten und Sicherheit
    Modul 4: Microsoft DP-600 - Implementing a Data Warehouse and Lakehouse with Microsoft Fabric
    In diesem Modul lernen Teilnehmende, wie Microsoft Fabric genutzt wird, um eine einheitliche Datenplattform (Lakehouse) zu implementieren. Sie erfahren, wie KI- und Analyseanwendungen auf dieser Basis betrieben werden.
    Praxisbeispiel: Aufbau eines Lakehouse mit Fabric für KI-gestützte Analysen.
    Einführung in Microsoft Fabric und OneLake
    Implementierung von Lakehouse-Architekturen
    Integration von Power BI, Synapse und Data Factory
    Verwaltung von Sicherheit, Zugriff und Governance
    Modul 5: KI-Integration und Praxisprojekt
    Im Abschlussmodul kombinieren Teilnehmende ihre Kenntnisse aus KI-Entwicklung und Data Engineering, um ein vollständiges KI-Projekt auf Basis einer Lakehouse-Architektur umzusetzen.
    Praxisbeispiel: Entwicklung einer End-to-End-KI-Lösung mit Fabric, Azure ML und Power BI.
    Aufbau einer integrierten KI-Architektur
    Nutzung von Microsoft Fabric für Data Governance
    Integration von KI-Workloads in das Lakehouse
    Präsentation und Dokumentation des Projekts
    6. Zusatzinformationen
    Der Kurs ist AZAV-zertifiziert und kann über Bildungsgutschein oder Qualifizierungschancengesetz (QCG) gefördert werden.
    Er richtet sich an Einzelpersonen und B2B-Kund:innen und wird über (München, Stuttgart, Nürnberg) sowie learn2program.de angeboten.
    ,,KI-Architekt*in mit Zusatzqualifikation - Implementieren eines Lakehouse mit Microsoft Fabric" kombiniert Data Engineering, KI und Cloud-Architektur in einem praxisnahen Programm. Teilnehmende lernen, intelligente Datenplattformen zu entwerfen und KI-Systeme effektiv zu integrieren - eine Schlüsselkompetenz in der modernen, datengetriebenen IT-Landschaft.
    Alle Kurse können deutschlandweit online belegt werden. Viele unserer Kurse finden auf Deutsch und/oder auf Englisch statt.

1. 1

   München

   Blended Learning · Vollzeit · 1–3 Monate · 5.000–10.000 €

2. 2

   Ulm

   Blended Learning · Vollzeit · 1–3 Monate · 5.000–10.000 €

3. 3

   Ludwigsburg

   Blended Learning · Teilzeit · 1–3 Monate · 5.000–10.000 €

4. 4

   Karlsruhe

   Blended Learning · Teilzeit · 1–3 Monate · 5.000–10.000 €

5. 5

   Stuttgart

   Blended Learning · Vollzeit · 1–3 Monate · 5.000–10.000 €

Förderwege

Wer deinen Kurs zahlt

Brutto im Monat

Mitte und Viertel bundesweit

3 Schritte vom Kurs in den Beruf

1. 1

   KI auf echte Arbeitsaufgaben anwenden

   Deine Branchenkenntnis bleibt wertvoll, wenn du einen Prozess mit KI unterstützt und das Ergebnis prüfst. Gute Praxis beschreibt Ausgangslage, Daten, menschliche Kontrolle und eine überprüfbare Verbesserung, ohne Automatisierung pauschal zu versprechen. Beispiel: Bearbeite einen kleinen Prozess aus deinem bisherigen Beruf und vergleiche Zeitbedarf und Qualität vorher und nachher.

2. 2

   Fachwissen mit neuen Werkzeugen verbinden

   Branchenkenntnis, Kommunikation und Qualitätskontrolle bleiben wichtig. Gerade im Quereinstieg ergänzt du vorhandene Erfahrung durch ein Projekt mit Quellenprüfung, Versionierung, Freigabe und dokumentierten Grenzen. Beispiel: Ein Bewerbungsbeispiel beschreibt Aufgabe, verwendete Werkzeuge, Prüfung der Ergebnisse und Grenzen des Ansatzes.

3. 3

   Verantwortung schrittweise aufbauen

   Projektkoordination, Schulung und Prozessgestaltung verlangen mehr als Toolbedienung. Achte auf Inhalte zu Use-Case-Auswahl, Datenqualität, Prüfung, Dokumentation und Zusammenarbeit. Vergleiche die Kursaufgaben mit den Zielstellen, die du erreichen möchtest. Beispiel: Vergleiche einen Grundlagenkurs mit einem Projektkurs und entscheide nach deinem aktuellen Kenntnisstand.

Themen

Arbeitsmarkt

KI & Machine Learning bundesweit in Zahlen