Zum Inhalt springen
Buch: Betrieb statt Demo
Kindle & Taschenbuch

Betrieb statt Demo

MLOps, LLMOps und Data Engineering für produktive KI-Systeme. Von Datenverträgen bis GenAI-Betrieb.

Eine KI-Demo ist an einem Nachmittag gebaut. Ein KI-Produkt muss Jahre laufen.

Bei Amazon kaufen Kostenloses Begleitpaket (PDF): Die Go-Live-Checkliste für KI-Systeme
  • AutorThorsten Behder
  • FormatKindle eBook & Taschenbuch
  • SpracheDeutsch
  • KategoriePraxis mit Claude

Für wen ist dieses Buch?

Geeignet für

  • Data und ML Engineers, die Feature Stores, Rollouts, Monitoring und Drift für klassische ML-Produkte betreiben
  • Platform-Teams, die Retrieval, Evaluation, Guardrails und Agenten-Betrieb für GenAI-Systeme aufsetzen
  • Architekten, die Data Contracts, Lakehouse und Lineage als belastbares Datenfundament planen
  • Technische Produktverantwortliche im DACH-Raum, die Serving, FinOps, Security und AI-Act-Pflichten im Plattformbetrieb verantworten

Nicht geeignet für

  • Leser, die zuerst KI-Agenten und -Workflows entwerfen, statt sie langfristig zu betreiben (dafür: Vibe Coding, KI-Engineering & Agenten-Orchestrierung)
  • Wer eine unternehmensweite Einführungslogik mit Reifegradmodell statt Betriebs-Referenzarchitekturen sucht (dafür: Agentic AI Praxislehrbuch)
  • Wer ein Cloud-Provider-Handbuch oder einen Prompting-Ratgeber ohne Betriebsfokus sucht

Was Sie danach können

  1. Data Contracts, Lakehouse und Lineage als belastbares Datenfundament aufbauen
  2. Feature Stores, Rollouts, Monitoring und Drift-Erkennung für klassische ML-Produkte betreiben
  3. Retrieval, Evaluation, Guardrails und Agenten-Betrieb für GenAI-Systeme produktiv absichern
  4. Serving, FinOps, Security und AI-Act-Pflichten im Plattformbetrieb gemeinsam steuern
  5. Mit Data-Contract-Skeleton, SLO-Sheet, Rollout-Plan, Eval-Set und Kostenmodell den eigenen Betrieb dokumentieren

Blick ins Buch

Inhaltsverzeichnis anzeigen – 27 Kapitel in 6 Teilen
  1. Vorwort
  2. Einleitung: Die Demo-Falle

Teil I: Das Betriebsmodell für KI-Produkte

  1. Vom Demo zum Produkt
  2. Verantwortung und Eigentümerschaft
  3. Lebenszyklus eines KI-Produkts
  4. Reliability und technische Schuld

Teil II: Die Datenebene

  1. Datenverträge als Fundament
  2. Lakehouse und offene Tabellenformate
  3. Streaming und Batch
  4. Orchestrierung: vom Task zum Asset
  5. Datenqualität und Lineage

Teil III: Klassische ML-Produkte

  1. Feature Stores
  2. Training, Registry und Reproduzierbarkeit
  3. Deployment und Rollout
  4. Monitoring, Drift und Retraining

Teil IV: GenAI-Produkte

  1. Retrieval und Vector Stores
  2. Prompt- und Context-Management
  3. Agenten als Betriebssysteme
  4. Evaluation und Guardrails

Teil V: Plattformbetrieb

  1. Serving und Inferenz
  2. Kosten und FinOps
  3. Security und SecOps
  4. Governance und AI Act

Teil VI: Referenzarchitekturen und Produktionsmuster

  1. Referenzarchitekturen
  2. Betriebsstörungen und Postmortems
  3. Migrationspfade: von der Demo zur Plattform
  4. Checklisten und Betriebshandbuch

Anhang

  1. Glossar
  2. Werkzeug- und Versionslandkarte (Stand Juli 2026)
  3. Vorlagen
  4. Lösungshinweise zu den Übungsaufgaben

Welches Buch passt besser?

Sie stehen noch am Anfang und bauen den ersten Agenten-Workflow, statt ihn bereits dauerhaft zu betreiben? → Vibe Coding, KI-Engineering & Agenten-Orchestrierung Sie suchen die unternehmensweite Einführungslogik mit Reifegradmodell statt konkreter Betriebs-Referenzarchitekturen? → Agentic AI Praxislehrbuch Sie stehen vor der ersten 90-Tage-Einführung eines agentischen Prozesses statt vor dessen langfristigem Betrieb? → KI, die arbeitet

Ihr Lesepfad: KI-Agenten & produktive KI-Systeme

  1. 1 Einstieg Durchstarten mit KI-Agenten
  2. 2 Toolanwendung KI, die arbeitet
  3. 3 Spezialisierung Agentic AI Praxislehrbuch
  4. 4 Spezialisierung Vibe Coding, KI-Engineering & Agenten-Orchestrierung
  5. 5 Spezialisierung Kontrollierte KI-Agenten
  6. 6 Vertiefung Betrieb statt Demo (dieses Buch)
  7. 7 Vertiefung Wenn KI handelt

Häufige Fragen

Brauche ich Cloud- oder Data-Engineering-Vorwissen?

Das Buch richtet sich an Data und ML Engineers, Platform-Teams und Architekten und setzt technisches Grundverständnis für MLOps, LLMOps und Data Engineering voraus.

Ist das Buch an einen Cloud-Provider gebunden?

Nein, es ist kein Cloud-Provider-Handbuch; Werkzeuge werden als austauschbare Implementierung eines stabilen Architekturmodells behandelt.

Wie aktuell ist das Buch?

Es behandelt aktuelle AI-Act-Pflichten im Plattformbetrieb und ist am durchgehenden Praxisfall eines Versicherers mit zwei KI-Produkten erklärt.

Für wen ist es geschrieben?

Für Data und ML Engineers, Platform-Teams, Architekten und technische Produktverantwortliche im DACH-Raum.

In welchen Formaten gibt es das Buch?

Als Kindle eBook und Taschenbuch bei Amazon.