Ignite

Hvorfor dette sporet

Etterspørselen etter utviklere som kan sette agenter i drift er eksplosiv, og tilbudet er tynt. De fleste påstår de kan 'lage noe med AI'. Få kan levere det stabilt. Du blir en av de få.

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

• •Brukerfeedback og instrumentation
• •Production agent-patterns
• •MCP-integrasjoner og custom server-design
• •Eval-CI med golden sets i Git
• •Multi-provider stack: Anthropic, Azure, AWS

Hvorfor dette sporet

Enhver virksomhet spør 'hvordan vet vi at AI-svaret er godt nok?'. Få kan svare. Denne rollen definerer det i praksis — og gir klar konkurransefordel.

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

• •Data governance for AI: lineage og consent
• •Modell- og data-drift i drift
• •Evaluation-håndverk: rubrikker og LLM-as-judge
• •Vector DB trade-offs
• •Datasett-håndverk og labeling