Anbefalede faglige forudsætninger for at deltage i modulet

Grundlæggende programmering i Python og Machine Learning biblioteker.
Kendskab til softwareudvikling og versionsstyring.
Erfaring med Machine Learning koncepter som præprocessering, træning, samt evaluering, svarende til hvad der gennemgået i første enkeltfag i fagpakken.

Modulets indhold, forløb og pædagogik

Introduktion
Kurset giver en introduktion til softwareudviklingspraksisser for AI-systemer med fokus på skalerbarhed, kvalitet og drift i produktionsmiljøer. Kurset kombinerer teoretiske principper med praktiske øvelser i moderne værktøjer og metoder.

Kurset bygger yderligere oven på de aktuelle industrielle AI udfordringer, som de studerende introducerer.

Kursusmål
At give de studerende viden og færdigheder til at designe, implementere og vedligeholde AI-systemer med fokus på Machine Learning (ML)-Ops og robust softwarearkitektur.

Indhold

Dette kursus dækker de centrale principper, praksisser og værktøjer, der er nødvendige for at udvikle robuste, skalerbare og vedligeholdelsesvenlige AI-systemer. Gennem en kombination af teoretiske fundamenter og praktisk erfaring vil de studerende engagere sig i hele livscyklussen for AI-systemer, herunder data pipelines, modelcontainering, implementering, overvågning og løbende forbedringer.

Pensum er baseret på forelæsninger, øvelser og porteføljeopgaver, der afspejler virkelige udfordringer med brancherelevans

Læringsmål

Viden

Den studerende kan:

• Forklare livscyklussen for AI-systemer og forskelle fra traditionelle systemer
• Beskrive centrale Machine Learning (ML) Ops-principper (Continuous Integration/Continuous Deployment (CI/CD), overvågning, dataversionering)
• Identificere teknisk gæld i AI-systemer og dens konsekvenser

Færdigheder

Den studerende vil være i stand til at:

• Designe skalerbare softwarearkitekturer til AI-systemer
• Implementere Machine Learning (ML)-modeller med containerisering og Continuous Integration/Continuous Deployment (CI/CD)-pipelines
• Opsætte monitorering af AI-systemer for Site Reliability Engineering (SRE) teams

Kompetencer

Den studerende anvender viden og færdigheder i kontekst:

• Anvende MLOps-praksis til styring af hele livscyklussen
• Træffe informerede beslutninger om arkitektur og kvalitetsegenskaber
• Formidle softwarearkitekturvalg til interessenter

Undervisningsform

Forelæsninger
Forelæsningsdelen af dette kursus er organiseret til at følge livscyklussen for et AI-system, fra grundlæggende koncepter til avancerede softwareudviklingspraksisser.

Hver forelæsning bygger videre på den seneste og der blandes teori med praktiske eksempler samt demonstrationer af værktøjer. Indholdet af forelæsningerne kulminerer i tre porteføljeopgaver, der tilsammen fungerer som det afsluttende projekt.

Øvelsestimer
Øvelsesdelen af dette kursus er designet til at komplementere forelæsningsindholdet gennem opbyggelse af praktisk erfaring med værktøjer og applikationer fra den virkelige verden.

Øvelserne er struktureret til at følge kursets progression. Den studerende vil arbejde individuelt og i teams for at fuldføre opgaver, der involverer analyse, design, konfiguration og implementering ved hjælp af open source- og cloud-native platforme.

Porteføljeopgaver
De tre fokusområder i porteføljeopgaverne er:

1. Analyse, krav og design af software arkitektur.
2. Implementering, deployment af AI-systemet.
3. Observerbarhed og proaktiv feedback; Muliggørelse af feedback-loops til overvågelse af AI-systemets ydeevne samt reconfiguration i run-time miljøer.

Porteføljeopgaverne skal være forankret i dens studerendes brancherelevante problemstillinger.

Eksamen

Prøver

Prøvens navn	Software Engineering af AI systemer
Prøveform	Mundtlig pba. projekt
ECTS	5
Bedømmelsesform	7-trins-skala
Censur	Ekstern prøve
Vurderingskriterier	Vurderingskriterierne er angivet i Universitetets eksamensordning

Yderligere informationer

Tjek detaljer på  https://www.master-it-vest.dk/fagpakker/softwarekonstruktion.html