*Wir passen den Kursaufbau und die Inhalte an Ihre spezifischen Anforderungen und relevanten Anwendungsfälle an.
Modul 1: Eine skalierbare Credo AI Governance Architektur gestalten
- Governance über AI Anwendungen, Modelle, Agents, Anbieter und Business Use Cases hinweg strukturieren
- Ownership, Accountability, Lifecycle Stages und Governance Verantwortlichkeiten definieren
- Business Governance Anforderungen von technischen AI und Monitoring Verantwortlichkeiten trennen
- Konsistente Governance Muster über Teams, Plattformen und AI Technologien hinweg etablieren
Modul 2: Fortgeschrittene AI Registry und Dependency Mapping
- Registry Records für Anwendungen, Modelle, Agents, Anbieter und verbundene AI Assets strukturieren
- Metadaten, Ownership, Zweck, Deployment Kontext und Lifecycle Informationen konsistent erfassen
- Abhängigkeiten zwischen Agents, Modellen, Tools, Datenquellen, Anbietern und externen Services abbilden
- Governance Beziehungen nutzen, um Auswirkungen von Änderungen einzelner Komponenten zu verstehen
Modul 3: Risk Intelligence und kontextbezogenes Risikomanagement
- Risk Assessment Ansätze anhand von Business Context, AI Typ, Autonomie und Deployment Umgebung gestalten
- Identifizierte Risiken mit Controls, Mitigationsmaßnahmen, Evidenz und verantwortlichen Ownern verbinden
- Agentic Risk Konzepte für Tool Misuse, Scope Drift und Interaktionen zwischen Agents einsetzen
- Reassessment Trigger definieren, wenn sich Systeme, Abhängigkeiten oder Betriebsbedingungen verändern
Modul 4: Policy Packs, Controls und Compliance Implementierung
- Policy Packs für organisatorische Standards und regulatorische Anforderungen konfigurieren
- Policy Controls mit AI Use Cases, Risk Scenarios und Governance Evidenz verbinden
- Kontrollanforderungen für Frameworks wie EU AI Act, NIST AI RMF und ISO/IEC 42001 anpassen
- Exceptions, Remediation, Approvals und Audit Evidenz durch kontrollierte Governance Prozesse verwalten
Modul 5: Credo AI SDK und API Integration
- Das Credo AI SDK zur programmatischen Verwaltung von Use Cases, Modellen, Anbietern, Beziehungen und Governance Informationen einsetzen
- Python und TypeScript Integrationsansätze vergleichen
- Authentifizierung, Pagination, Error Handling und wiederverwendbare Integrationskomponenten gestalten
- Entscheiden, wann direkte SDK Integration, bestehende Integration Recipes oder Plattform Connectors geeignet sind
Modul 6: Automatische Discovery und Governance Integration
- Unterstützte Cloud-, Data-, MLOps-, Development- und Enterprise-Plattformen anbinden
- AI Assets erkennen und nicht verwaltete oder Shadow AI reduzieren
- Erkannte Informationen validieren, bevor Assets in formale Governance Prozesse übernommen werden
- Synchronisationsmuster gestalten, die unnötige Duplizierung zwischen Credo AI und Source Systems vermeiden
Modul 7: AI Agent und MCP Governance
- Agents mit Zweck, Modellen, Tools, Datenquellen, Guardrails und Ownership Informationen registrieren
- Beziehungen zwischen Agents, Subagents, Modellen, Tools und MCP Servern abbilden
- Agent spezifische Risiken und Controls auf Autonomie, Tool Zugriff und externe Aktionen anwenden
- Deployment Gates und Freigabeanforderungen für risikoreichere Agent Capabilities gestalten
Modul 8: Enterprise Workflow und Governance Integrationen
- Credo AI mit Plattformen wie ServiceNow, Jira, GitHub, Confluence und weiteren Enterprise Systemen verbinden
- Workflow Muster für Intake, Review, Remediation, Approval und Eskalation entwickeln
- Governance Aktivitäten in Development- und Betriebsprozesse integrieren, statt sie separat zu verwalten
- Nachvollziehbarkeit zwischen technischen Änderungen, Governance Entscheidungen, zugewiesenen Maßnahmen und Evidenz sicherstellen
Modul 9: Kontinuierliches Monitoring und Runtime Governance
- Monitoring und Observability Informationen mit kontrollierten AI Systemen verbinden
- Produktionsverhalten anhand definierter Policies, Risiken und Controls bewerten
- Policy Violations, Drift, unsicheres Verhalten und neue Governance Risiken erkennen
- Human Review und Eskalationsprozesse für Ereignisse mit höherem Risiko gestalten
Modul 10: Evidenz, Automatisierung und Policy Enforcement
- Evidenzerfassung aus verbundenen technischen und Governance Systemen automatisieren
- Governance Informationen nutzen, um zu prüfen, ob erforderliche Controls weiterhin erfüllt werden
- Notifications, Remediation Aktivitäten und Workflow Aktionen auslösen, wenn Anforderungen nicht erfüllt sind
- Automatisierung mit menschlicher Accountability bei folgenreichen Governance Entscheidungen ausbalancieren
Modul 11: Reporting, Auditierbarkeit und Governance Oversight
- Portfolio Ansichten über AI Assets, Risiken, Policies, Controls, Owner und Governance Status hinweg gestalten
- Fehlende Evidenz, ungelöste Risiken, Policy Exceptions und überfällige Governance Maßnahmen identifizieren
- Governance Records und Audit Trails für Assurance, regulatorische Reviews und interne Kontrollen vorbereiten
- Technische und Governance Informationen in aussagekräftiges Reporting für Management und Kontrollfunktionen übersetzen
Modul 12: Production Operating Model und kontinuierliche Verbesserung
- Verantwortlichkeiten für Plattformadministration, Governance Ownership, Integrationen, Monitoring und Support etablieren
- Wiederkehrende Reviews für Assets, Abhängigkeiten, Policies, Controls, Risiken und Agent Verhalten definieren
- Neue AI Technologien, Integrationsänderungen, regulatorische Updates und Governance Anforderungen langfristig verwalten
- Eine praktische Production Readiness Checkliste für Architektur, Sicherheit, Automatisierung, Monitoring, Ownership und Auditierbarkeit aufbauen