Seminare
Seminare
  • Seminare
  • Anbieter
  • 5 km
  • 10 km
  • 25 km
  • 50 km
  • 100 km
  • 150 km
  • 200 km
  • 300 km

KI-Cloud-Infrastruktur: AWS vs Azure vs GCP

Seminar - PROKODA GmbH

KI-Cloud-Infrastruktur: AWS vs Azure vs GCP
Termin Ort Preis*
17.08.2026- 18.08.2026 online 1.725,50 €
17.08.2026- 18.08.2026 München 1.725,50 €
23.11.2026- 24.11.2026 online 1.725,50 €
23.11.2026- 24.11.2026 München 1.725,50 €

Alle Termine anzeigen

*Alle Preise verstehen sich inkl. MwSt.

Detaillierte Informationen zum Seminar

Inhalte:
  • Plattform-Entscheidung: Was wirklich zählt
    • Workload-Typen: Training, Fine-Tuning, Inferenz, RAG
    • Entscheidungskriterien: Time-to-Value, Lock-in, Skills, Compliance
    • Referenzarchitekturen und Anti-Patterns
  • Compute für KI: GPU, TPU und skalierbare Cluster
    • GPU-Instanzen, Scheduling, Spot/Preemptible Strategien
    • Distributed Training: Daten- und Modellparallelität
    • Beschleuniger-Ökosystem: Treiber, Container, Images
  • Storage und Datenwege: schnell, sicher, bezahlbar
    • Objekt-, Block- und File-Storage für KI-Pipelines
    • High-Throughput Datenzugriff, Caching, Datenlokalität
    • Lifecycle, Versionierung, Verschlüsselung, Schlüsselmanagement
  • Netzwerk und Sicherheit: Zero Trust für KI-Workloads
    • VPC/VNet, Private Endpoints, Egress-Kontrolle
    • Identity und Zugriff: IAM-Rollen, Least Privilege
    • Secret Management und sichere Service-to-Service Kommunikation
  • MLOps und Plattformdienste: von Notebook bis Produktion
    • Managed ML-Plattformen und ihre Grenzen
    • Model Registry, Feature Store, Experiment Tracking
    • CI/CD für Modelle, Canary, Shadow, Rollback
  • LLM-Betrieb: RAG, Vektorsuche und Inferenz-Architektur
    • Vektor-Datenbanken und Suchdienste im Vergleich
    • Serving: Autoscaling, Batching, Quantisierung, Caching
    • Guardrails, Content-Filter, Prompt- und Kontextschutz
  • Kosten, FinOps und Kapazitätsplanung
    • Kostenmodelle: On-Demand, Reserved, Savings Plans, Commitments
    • GPU-Kosten senken: Right-Sizing, Spot, Scheduling, Abschalten
    • Messgrößen: Cost per Token, Cost per Experiment, Unit Economics
Teilnahmevoraussetzungen:
  • Grundverständnis von Cloud-Konzepten (Netzwerk, IAM, Compute, Storage).
  • Erste Berührung mit ML/LLM-Workloads oder MLOps ist hilfreich, aber nicht zwingend.
Zielgruppe:
  • Cloud Architects und Solution Architects mit KI-Verantwortung
  • ML Engineers, MLOps Engineers und Platform Engineers
  • IT-Security und Governance-Verantwortliche für KI-Workloads
  • IT-Leitung, Product Owner und FinOps, die Plattform-Entscheidungen absichern
  • Für alle, die KI-Workloads in der Cloud belastbar planen, vergleichen und betreiben wollen
Nach unten
Nach oben
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern. Diese Cookies werden nicht automatisiert gesetzt. Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren. Weitere Informationen finden Sie hier.
Akzeptieren Nicht akzeptieren









Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha



Bei der Verarbeitung Ihrer personenbezogenen Daten im Zusammenhang mit der Kontaktfunktion beachten wir die gesetzlichen Bestimmungen. Unsere ausführlichen Datenschutzinformationen finden Sie hier. Bei der Kontakt-Funktion erhobene Daten werden nur an den jeweiligen Anbieter weitergeleitet und sind nötig, damit der Anbieter auf Ihr Anliegen reagieren kann.







Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha