Wissen für Profis: 7 Fragen zum Training in Softwarearchitektur für AI-Systeme

Mit dem Fortschritt in der Künstlichen Intelligenz (KI) steigen auch die Anforderungen an moderne Softwarearchitekturen. Damit KI-Systeme leistungsfähig, skalierbar und nahtlos integrierbar bleiben, braucht es fundiertes architektonisches Know-how.

Das neue «iSAQB® Advanced Training in Softwarearchitektur für AI-Systeme» vermittelt praxisnahe Konzepte zur Integration von Maschinellem Lernen und Generativer KI in bestehende Systeme. Dr. Sönke Magnussen, IT-Architekt, Consultant und einer der Kuratoren des Moduls, gibt im Interview vertiefte Einblicke.

Warum ist es gerade jetzt entscheidend, dass Softwarearchitektinnen und Softwarearchitekten fundierte Kenntnisse in Maschinellem Lernen und Generativer KI erwerben?
Sönke Magnussen: Die aktuellen Fortschritte in der KI-Forschung und ihre breite Anwendung sind zweifellos ein Haupttreiber für die Entwicklung des Moduls. Durch die fortschreitende Digitalisierung stehen dazu zunehmend mehr Daten für Machine Learning zur Verfügung, was den Einsatz dieser Technologien noch effektiver macht. Gleichzeitig ist es jedoch Teil eines kontinuierlich weiterentwickelten Angebots für Softwarearchitekten, um aktuelle technologische Herausforderungen anzugehen. Das SWARAI-Modul befasst sich mit modernen Softwarearchitekturkonzepten zur Entwicklung leistungsfähiger, skalierbarer und integrierbarer KI-Lösungen. Der Fokus liegt insbesondere auf Maschinellem Lernen (ML) und Generativer KI, einschliesslich Large Language Models (LLMs).

Wo liegt der grösste Bedarf an Wissenstransfer in der Architektur von KI-Systemen – bei den Grundlagen oder bei fortgeschrittenen Themen wie Optimierung, Evaluation und Skalierung?
Das Modul deckt beide Bereiche ab. Es beginnt mit einer Einführung in KI-relevante Softwarearchitekturkonzepte und führt die Teilnehmer durch Themen wie den Entwurf und die Entwicklung von KI-Systemen, Datenmanagement sowie Qualitätsmerkmale im Betrieb. Besonders intensiv werden fortgeschrittene Themen wie Skalierbarkeit, Sicherheit, Compliance, Robustheit und Interpretierbarkeit aus Architektursicht behandelt. Ziel ist es, Architekten in die Lage zu versetzen, beim Entwurf von Systeme die KI-Komponenten mit einzubeziehen.

Dabei geht es nicht darum, KI-Expert/innen auszubilden, sondern vielmehr die notwendigen Aspekte für den sinnvollen Einsatz von KI-Systemen zu vermitteln. Architekten sollen verstehen, welche KI-Technologien für welche Aufgaben geeignet sind und wie diese für Entwicklung, Wartung und Betrieb effizient aufgesetzt werden können.

📌«Es geht nicht darum, KI-Expert/innen auszubilden, sondern um die notwendigen Aspekte für den sinnvollen Einsatz von KI-Systemen.»

Sind für KI-Systeme zwingend grosse Datenmengen, leistungsstarke Rechenzentren und hohe Trainingskosten erforderlich – oder gibt es auch ressourcenschonende Alternativen für kleinere, lokale Anwendungen?
Nicht jede Anwendung benötigt immense Datenmengen oder grosse Infrastrukturen. Das Modul vermittelt eine ganzheitliche Perspektive auf KI-Systeme. Anwendungsbeispiele wie Chatbots, Anomalieerkennung oder Datenklassifikation verdeutlichen, dass es zahlreiche Einsatzszenarien gibt, in denen keine enormen Datenmengen erforderlich sind.

Insbesondere in Bereichen, in denen Energieeffizienz, Kosten und Datenschutz eine zentrale Rolle spielen, sind «kleine» und «lokale» KI-Lösungen oft vollkommen ausreichend. Gleichzeitig werden auch grossskalige LLMs und deren Integration in Cloud-Umgebungen behandelt – mit dem Ziel, die gesamte Bandbreite moderner KI-Anwendungen abzubilden.

Welche Rolle spielen ethische Aspekte wie Fairness, Transparenz oder ökologische Nachhaltigkeit beim Entwurf von KI-Systemen?
Diese Themen sind sehr wichtig und daher auch ein integraler Bestandteil des Moduls. Es werden ethische Herausforderungen wie Bias, Fairness und Transparenz behandelt und stellt Ansätze für eine verantwortungsvolle KI sowie für eine wirkungsvolle KI-Governance vor. Dabei werden auch internationale Richtlinien wie die «EU-Ethikrichtlinien für vertrauenswürdige KI» vermittelt.

Auch in das Thema Green IT werden wir eintauchen – mit dem Ziel, nachhaltige und ressourcenschonende Methoden in der Entwicklung und im Betrieb von KI-Systemen zu fördern. Damit berücksichtigt das Curriculum sowohl technologische als auch gesellschaftliche und ökologische Aspekte.

📌«Ethische Aspekte wie Fairness, Transparenz oder ökologische Nachhaltigkeit sind ein integraler Bestandteil des Moduls.»

Wie stark ist das Modul an der Praxis orientiert – erhalten Teilnehmende konkrete Methoden und Werkzeuge zur Umsetzung im Berufsalltag?
Das Modul ist stark praxisorientiert. Es beinhaltet Übungen, Fallstudien und praxisnahe Projekte, in denen die Teilnehmer das Gelernte direkt anwenden können. Eine der Fallstudien wird für jedes Lernziel erneut aufgegriffen, sodass die Teilnehmer die Zusammenhänge zwischen den Lernzielen anhand einer integrierten und aufeinander aufbauenden Fallstudie nachvollziehen können.

Themen wie MLOps, Architekturpatterns und die Integration von ML-Modellen in bestehende Systeme sorgen dafür, dass Teilnehmer konkrete Werkzeuge und Methoden für Entwurf, Entwicklung und Betrieb erhalten. Durch diesen praktischen Ansatz können berufliche Herausforderungen gezielt adressiert werden.

Worin unterscheiden sich die Sicherheitsanforderungen von KI-Systemen gegenüber klassischen IT-Systemen – und welche neuen Bedrohungsszenarien gilt es zu beachten?
Ja, KI-Systeme haben spezielle Sicherheitsanforderungen. Im Modul werden Bedrohungen wie adversarielle Angriffe, Datenvergiftung und Modellinversion behandelt, die für traditionelle IT-Systeme weniger relevant sind. Wir präsentieren Strategien für sichere KI, darunter robuste Modellarchitekturen, transparente Entwicklungsprozesse und Schutzmassnahmen gegen Angriffe durch erklärbare KI. Diese Unterschiede zeigen, dass Sicherheitskonzepte für KI-Systeme an die spezifischen Eigenschaften von ML-Modellen angepasst werden müssen.

📌«Sicherheitskonzepte für KI-Systeme müssen an die spezifischen Eigenschaften von ML-Modellen angepasst werden.»

Welche Vorkenntnisse sollten Teilnehmende mitbringen – und ist das Modul auch für Einsteiger/innen in die KI-Architektur geeignet?
Das Modul richtet sich an Personen mit Grundkenntnissen in KI, Maschinellem Lernen und Data Science. Erfahrung mit gängigen Frameworks wie TensorFlow oder PyTorch sowie Grundwissen in ML-Methoden wie Supervised Learning und Deep Learning sind hilfreich, aber nicht zwingend erforderlich. Es ist nicht ausschliesslich für erfahrene KI-Entwickler gedacht, sondern vor allem für Architekten und Ingenieure, die ihr Wissen im Entwurf und in der Integration von KI-Systemen vertiefen möchten.