Ignite

Hvorfor dette sporet

Etterspørselen etter utviklere som kan sette agentiske systemer i produksjon er langt større enn tilbudet. Dette sporet bygger hele ferdighetssettet: fra agent-mønstre og RAG til drift, kostnadskontroll og sikkerhet.

Hva du bygger

• 01Kunden har en AI‑idé som fungerer i prototype, men trenger å få den i faktisk drift hos brukere
• 02Kunden skal bygge en agent som utfører oppgaver (ikke bare svarer) mot interne systemer og data
• 03Kunden må erstatte et manuelt ledd i prosessen med noe som håndterer edge cases og feil gracefully

Teknologier du jobber med

• Python + TypeScript
• Anthropic SDK · OpenAI SDK · Azure OpenAI · AWS Bedrock
• LangGraph · Pydantic AI · DSPy
• Langfuse · OpenTelemetry
• Model Context Protocol (MCP)
• Docker · Vercel · Railway

Eksempelkurs på sporet

• •Provider-uavhengig LLM-arkitektur
• •Robuste AI-tjenester i produksjon
• •Kvalitetsporter i leveransepipelinen
• •Azure-deployment for norske kunder
• •MCP-integrasjoner og custom server-design

Hvorfor dette sporet

De fleste virksomheter som tar i bruk AI, mangler et godt svar på om resultatene er gode nok til å stole på. Tuner-rollen bygger nettopp det svaret, med målemetoder som holder i produksjon.

Hva du bygger

• 01Kunden har AI i bruk, men vet ikke om svarene er riktige nok for produksjon
• 02Kunden har mye intern data som skal bli søkbart eller svarbart — RAG eller graph RAG‑behov
• 03Kunden vurderer fine‑tuning og trenger noen som vet når det lønner seg og når man bare skal la være

Teknologier du jobber med

• Python · Databricks · Microsoft Fabric
• Langfuse · Weights & Biases · MLflow
• Pinecone · Weaviate · pgvector
• DSPy · Instructor · Pydantic AI
• Unity Catalog · Apache Iceberg · Delta Lake

Eksempelkurs på sporet

• •Modellvalg og benchmark-lesing
• •Evaluation-håndverk: rubrikker og LLM-as-judge
• •Kontekst-engineering: hva modellen faktisk får se
• •Distillation og små modeller for kost og latens
• •Datasett-håndverk og labeling