Weiterbildung zum AI Engineer
Seit April 2026 erweitere ich mein bestehendes Software-Engineering-Profil systematisch um Data Analysis, Machine Learning, Deep Learning, Generative AI, Big Data und anschließend MLOps.
Vier der sechs Module sind abgeschlossen. Aktuell arbeite ich im Big-Data-Modul mit PostgreSQL, MongoDB, Neo4j und ETL-Prozessen mit Python. Den Abschluss bildet anschließend der MLOps-Block.
Die Weiterbildung ist dabei nicht der Beginn meiner Softwareentwicklung: Seit 2020 arbeite ich professionell als Softwareentwickler und beschäftige mich seit 2023 mit Python. Die AI-Engineer-Weiterbildung baut auf diesem Fundament auf und vertieft es gezielt in Richtung moderner AI- und Datensysteme.
Umfang
6 Module
Abgeschlossen
4 Module
Aktueller Stand
Modul 5 · Big Data
Geplanter Abschluss
November 2026
01
Python-Grundlagen, objektorientierte Programmierung, Datenaufbereitung, explorative Analyse, statistische Grundlagen, Datenqualität und Visualisierung.
02
Überwachtes und unüberwachtes Lernen, Feature Engineering, Modellvergleich, Cross-Validation, Hyperparameter-Tuning, Evaluation und Explainable AI.
03
Neuronale Netze, CNNs, rekurrente Netze, LSTM, Regularisierung, Transfer Learning, Attention und Transformer mit praktischer Umsetzung und reproduzierbarer Evaluation.
04
Natural Language Processing, Sprachmodelle, Embeddings, Prompting, RAG-Grundlagen und die praktische Arbeit mit modernen LLM-APIs. Die Inhalte wurden anschließend in eigenständigen Projekten um Hybrid Retrieval, Agentic AI, MCP, Guardrails und systematische Evaluation erweitert.
05
Das aktuelle Modul erweitert meine Datenbank- und Datenverarbeitungserfahrung um relationale, dokumentenorientierte und graphbasierte Datenmodelle sowie ETL-Prozesse mit Python. PostgreSQL, MongoDB, Neo4j und ETL wurden bereits praktisch bearbeitet; weitere Themen folgen im Verlauf des Moduls.
06
Der abschließende Weiterbildungsblock vertieft Linux, DevOps, MLOps, LLMOps, Deployment, Automatisierung, Experiment- und Modellverwaltung, Monitoring und den zuverlässigen Betrieb von Machine-Learning- und AI-Systemen. Produktive Deployment-Erfahrung wird damit nicht vorweggenommen.
Lern- und Engineering-Prozess
Neue Verfahren werden zunächst fachlich verstanden und in nachvollziehbare Einzelschritte zerlegt.
Konzepte werden anhand eigener Übungen, Datensätze, Programme und technischer Problemstellungen praktisch umgesetzt.
Ergebnisse werden mit geeigneten Baselines, Metriken, Tests und nachvollziehbaren Erfolgskriterien bewertet.
Ausgewählte Lerninhalte werden zu eigenständigen, reproduzierbaren und dokumentierten Engineering-Projekten weiterentwickelt und über Tests, CI/CD und versionierte Releases abgesichert.
Transfer in eigene Projekte
Vier eigenständige AI-Engineering-Projekte wurden inzwischen als versionierte GitHub-Releases abgeschlossen. Sie gehen über einzelne Übungen hinaus und verbinden technische Inhalte mit Architektur, Tests, Evaluation und Dokumentation.
Zusammen umfassen die vier abgeschlossenen Projekte 241 automatisierte Tests und decken skalierbare Datenanalyse, Explainable Machine Learning, Deep Learning sowie Agentic AI mit Hybrid Retrieval und MCP ab.
Damit entsteht parallel zur Weiterbildung ein nachvollziehbarer technischer Proof of Work, der zeigt, wie ich neue Inhalte in vollständige Engineering-Systeme überführe.
Aktueller Schwerpunkt
Queries, Joins, Aggregationen, Window Functions, Datenmodellierung und Indexierung.
Dokumentenorientierte Datenmodelle, CRUD-Operationen und Aggregation.
Graphmodelle, Nodes, Relationships, Cypher Queries und typische Graph Patterns.
ETL-Konzepte, Extraktion, Transformation, Laden sowie strukturierte Verarbeitung von Daten mit Python.
Weitere Inhalte des Moduls umfassen Apache Airflow, Apache Spark, PySpark, Spark SQL und Spark MLlib.
Portfolio-Transfer
Die vier abgeschlossenen Kernprojekte zeigen die Entwicklung von Data Intelligence über Applied Machine Learning und Deep Learning bis zu Generative und Agentic AI.
Die Repositories dokumentieren nicht nur Ergebnisse, sondern auch Datenfluss, Architektur, Modell- und Systementscheidungen, Evaluation, automatisierte Tests, Reproduzierbarkeit, Quality Gates und bekannte technische oder methodische Grenzen.
Einordnung des Lernstands
Die Weiterbildung ergänzt meine Software- und Backend- Erfahrung seit 2020. Abgeschlossene Module, laufende Inhalte und geplante Vertiefungen werden bewusst getrennt dargestellt.
Für Projekte biete ich nur Aufgaben an, die sich mit dem belegten Praxisstand verantwortbar abgrenzen lassen. MLOps- und LLMOps-Umfang wird vorab technisch geprüft.