Mein Weg zum AI Architect

Nach vielen Jahren in der Software bin ich von Desktop-Apps über Web, Mobile und Cloud bis zu AI gekommen. Was mich am meisten beeindruckt: AI ist nicht nur ein weiteres Entwickler-Toolkit — sie verändert, wie ganze Softwaresysteme entworfen werden.

Früher dachte ich an Datenbankdesign, API-Grenzen und Deployment. Jetzt kommen dazu das LLM (Large Language Model, das Text versteht und erzeugt), RAG (Retrieval-Augmented Generation, bei dem das Modell vor der Antwort Daten nachschlägt), der Agent (ein Programm, das selbst Tools aufruft, um eine Aufgabe zu erledigen), die Vector Database (die semantische Vektoren für Ähnlichkeitssuche speichert) und MLOps (Machine Learning Operations, für Modellbereitstellung, Überwachung und Updates) — plus Modellkosten, Sicherheit und Datenberechtigungen.

Also habe ich mir eine neue Richtung gesetzt: AI Solution Architect werden. Sechs Zertifizierungen, etwa 12–15 Monate, bewusst leicht beginnend und hin zu Anwendungsentwicklung, ML Engineering und Cloud-Architektur.

1. AI-901: das Fundament legen. Wenn man LLMs und APIs täglich nutzt, ist es leicht anzunehmen, man verstehe alles — aber etwas benutzt zu haben und es systematisch zu verstehen, sind verschieden. Die erste ist bewusst leicht: sie ordnet verstreutes AI-Wissen neu.

2. AIF-C01: dasselbe auf einer zweiten Cloud sehen. AWS verwendet andere Produktnamen und Mechanismen für dieselben Grundideen. Kennt man nur einen Anbieter, ist die erste Reaktion auf ein Problem „welches Produkt?“; ein Architect sollte zuerst fragen, welche Architektur das Problem wirklich braucht.

3. Microsoft AI Apps & Agents Developer: echte Systeme bauen. Eine LLM-API aufzurufen ist leicht; AI in ein System zu bringen nicht. Wie kommt sie an Firmendaten, wie ruft sie bestehende APIs auf, was darf ein Agent allein entscheiden, was braucht menschliche Bestätigung, wie werden Berechtigungen gehandhabt, und was passiert, wenn die Antwort falsch ist?

4. AWS Machine Learning Engineer: ML Engineering und MLOps hinzufügen. Unternehmen haben weiterhin viele klassische Machine-Learning-Bedarfe, und in Produktion geht es selten nur um Modellgenauigkeit — um Deployment, Datenpipelines, Versionsupdates, Monitoring und Kosten.

5. Google Professional ML Engineer: Produkte von Architektur trennen. Nach drei Clouds geht es nicht darum, drei Konsolen zu kennen, sondern zu sehen, dass drei unterschiedlich benannte Dienste dieselbe Problemklasse lösen. Engineers fragen wie; Architects fragen auch warum, welche Alternativen es gibt und was sie kosten.

6. AWS Solutions Architect – Professional: zurück zur Architektur selbst. Die letzte ist bewusst keine AI-Prüfung, weil ein AI Architect zuerst Architect ist. AI einzuführen entfernt weder Datenbank-, Netzwerk-, Sicherheits-, IAM- (Identity and Access Management), Skalierungs-, Disaster-Recovery- noch Kostenfragen — es macht sie schwerer.

Das war nicht Teil des Plans. Beim Lernen für AIF-C01 bin ich durch viel Material und Fragensammlungen gegangen, und etwas fehlte immer. Ich wollte nicht nur Fragen pauken: Wenn ich eine falsch hatte, wollte ich wissen warum, und manche richtigen Antworten waren nur glückliche Treffer.

Das andere Problem war Zeit. Stunden am Schreibtisch sind begrenzt, aber Gehen, Pendeln und kurze Pausen summieren sich. Da ich beruflich Software schreibe, habe ich die Version gebaut, die ich selbst nutzen wollte.

Die erste Veröffentlichung beginnt mit AIF-C01, über 14 Tage getaktet, damit Sie wissen, was Sie heute lernen sollen, statt eine Sammlung mit Hunderten von Fragen zu öffnen. Audio-Lernen ist eingebaut, damit Sie beim Gehen oder Pendeln wiederholen können. Sie erscheint in English, 日本語, 한국어, Chinese, Español und Português (Brasil).

Ich lege Prüfungen ab, weil sie einen Lernumfang definieren und jeder Phase ein klares Ziel geben. Aber sechs Zertifikate machen niemanden zum AI Architect — wenn ich in einem Jahr nur sechs Badges auf LinkedIn habe und nie ein AI-System gebaut habe, hat das Jahr nicht getan, was ich wollte.

Also habe ich eine weitere Regel gesetzt: jede Phase muss etwas hinterlassen, das ich tatsächlich zeigen kann. Eine App, einen Agent, ein RAG-System, eine ML-Pipeline oder ein vollständiges Architekturentwurf. Zertifizierungen sagen mir, was ich lernen soll; Bauen sagt mir, ob ich es kann.

Ich will nicht jemand werden, der nur Modelle erforscht. Was mich interessiert, ist AI mit bestehender Software zu verbinden, Agents mit aktuellen Systemen kooperieren zu lassen, Daten zu handhaben, zu deployen und zu skalieren, Kosten zu steuern, es sicher zu halten — und schließlich etwas zusammenzubauen, das Menschen wirklich nutzen können und das ein Unternehmen in Produktion betreiben will.

Zwölf bis fünfzehn Monate, sechs Zertifizierungen, unterwegs bauen und lernen — und das Ganze aufschreiben.