Kurs-ID: IC-805-G-01
Inhalt
- Grundlagen der Künstlichen Intelligenz, Machine Learning und Generativer KI
- Funktionsweise von Large Language Models (LLMs)
- Typische KI-Anwendungsfälle im Unternehmen (Text, Analyse, Automatisierung, Assistenzsysteme)
- Einführung in Prompting-Techniken und effektive Nutzung von KI-Systemen
- Grenzen und Risiken von KI (Halluzinationen, Verzerrungen, Fehlerquellen)
- Datenschutz, Vertraulichkeit und Informationssicherheit bei KI-Nutzung
- Überblick über regulatorische Anforderungen (insb. EU AI Act – Grundverständnis)
- Verantwortungsvolle und sichere KI-Nutzung im Arbeitsalltag
- Praxisübungen mit KI-Tools (z. B. Textgenerierung, Zusammenfassungen, Ideenentwicklung)
Voraussetzungen
Grundverständnis digitaler Arbeitsprozesse & Erfahrung mit Office- oder digitalen Tools
Zertifikatstyp
Teilnahmebescheinigung
Zertifizierungsanforderung
Ohne Zertifizierungsmöglichkeit
Kurs-ID: IC-805-G-02
Inhalt
- Rolle von KI in modernen Organisationen und Geschäftsmodellen
- Überblick über aktuelle KI-Technologien (insb. Generative KI und LLMs)
- KI als Führungs- und Entscheidungsunterstützungsinstrument
- Einsatz von KI zur Steigerung von Produktivität in Teams und Organisationen
- KI in Strategie, Planung und Reporting
- Einführung in KI-gestützte Prozessautomatisierung
- Chancen, Risiken und Verantwortlichkeiten für Führungskräfte
- Governance-Grundlagen: EU AI Act aus Managementsicht
- Aufbau interner KI-Nutzungspolitiken (AI Usage Guidelines)
- Best Practices für die Einführung von KI im Unternehmen
- Veränderungsmanagement und Mitarbeiterführung im Kontext von KI
Voraussetzungen
Keine technischen Vorkenntnisse erforderlich. Empfohlen: Führungsverantwortung oder strategische Rolle im Unternehmen & Grundverständnis digitaler Geschäftsprozesse. Teilnahme an IC-805-G-01 (empfohlen, aber nicht zwingend erforderlich)
Zertifikatstyp
Teilnahmebescheinigung
Zertifizierungsanforderung
Ohne Zertifizierungsmöglichkeit
Kurs-ID: IC-805-G-03
Inhalt
- Grundlagen moderner Large Language Models (Transformer-Architektur – konzeptionell erklärt)
- Wie LLMs trainiert werden (Pretraining, Fine-Tuning, Alignment – verständlich aufbereitet)
- Stärken, Schwächen und typische Fehlerquellen (Halluzinationen, Bias, Kontextgrenzen)
- Prompt Engineering: strukturierte und reproduzierbare Eingaben
- Einsatz von LLMs in Unternehmensprozessen
- Einführung in Retrieval-Augmented Generation (RAG) auf Konzeptniveau
- Tool-Integration und einfache Automatisierung mit LLMs
- Sicherheits- und Datenschutzaspekte bei der Nutzung von LLMs
- Grenzen der Zuverlässigkeit und Methoden zur Qualitätssicherung
- Hands-on Übungen mit LLMs (strukturierte Prompts, Analyseaufgaben, Textautomatisierung)
- Entwicklung einfacher LLM-basierter Workflows
- Mini-Demo: Aufbau eines einfachen Q&A-Systems mit Wissensbasis (konzeptionell oder Low-Code)
Voraussetzungen
Empfohlen: IC-805-G-01 – KI verstehen & sicher anwenden oder vergleichbare Grundkenntnisse im Umgang mit KI-Tools. Keine Programmierkenntnisse erforderlich, aber hilfreich für vertiefte Praxisübungen.
Zertifikatstyp
Teilnahmebescheinigung
Zertifizierungsanforderung
Ohne Zertifizierungsmöglichkeit
Kurs-ID: IC-805-G-04
Inhalt
- End-to-End Machine Learning Workflow (Problemdefinition bis Deployment)
- Datenaufbereitung, Datenqualität und Feature Engineering
- Auswahl geeigneter Modelltypen (klassisches ML und Deep Learning – Überblick)
- Modelltraining, Validierung und Evaluierung
- Grundlagen von Trainings-, Test- und Validierungsstrategien
- Einführung in KI-Systemarchitekturen
- Schnittstellen zwischen KI-Modellen und Unternehmenssystemen
- API-basierte Integration von KI-Komponenten
- Einführung in Deployment-Strategien (Cloud, On-Prem, Edge – konzeptionell)
- Modellversionierung und Reproduzierbarkeit
- Grundlagen von MLOps als Betriebsmodell für KI-Systeme
- Qualitäts- und Risikobetrachtung im KI-Engineering
Voraussetzungen
Empfohlen (mindestens eine der folgenden Voraussetzungen): IC-805-G-03 – LLM Workshop oder Grundkenntnisse in Programmierung (z. B. Python oder vergleichbar). Verständnis von Datenstrukturen und IT-Systemen
Zertifikatstyp
Teilnahmebescheinigung
Zertifizierungsanforderung
Ohne Zertifizierungsmöglichkeit
Kurs-ID: IC-805-G-05
Inhalt
- Grundlagen von Retrieval-Augmented Generation (RAG)
- Architektur moderner Enterprise-GenAI-Systeme
- Embeddings und semantische Suche (konzeptionell und praktisch)
- Vektordatenbanken und deren Einsatz (z. B. Indexierung und Retrieval-Prinzipien)
- Chunking-Strategien für Dokumente und Wissensbasen
- Aufbau von Datenpipelines für unstrukturierte Daten
- Prompt-Orchestrierung in RAG-Systemen
- Kombination von Retrieval und generativer KI (Grounding von LLMs)
- Evaluation von RAG-Systemen (Qualität, Relevanz, Halluzinationsreduktion)
- Sicherheits- und Datenschutzaspekte (Data Leakage, Prompt Injection)
- Skalierung und Betrieb von RAG-Anwendungen im Unternehmen
- Grundlagen von Agenten-basierten Erweiterungen (Agentic RAG)
- Aufbau eines einfachen RAG-Systems mit Unternehmensdaten
- Implementierung einer Q&A-Anwendung auf Basis einer Wissensdatenbank
- Analyse und Optimierung eines bestehenden RAG-Workflows
- Bewertung von Retrieval-Qualität und Antwortqualität
Voraussetzungen
Vorherige Teilnahme an IC-805-G-03 – LLM Workshop oder IC-805-G-04 – KI-Systeme entwickeln & integrieren
Zertifikatstyp
Teilnahmebescheinigung
Zertifizierungsanforderung
Ohne Zertifizierungsmöglichkeit
Kurs-ID: IC-805-G-06
Inhalt
- Einführung in MLOps als Betriebsmodell für KI-Systeme
- Unterschied zwischen klassischer Softwareentwicklung und ML-Systemen
- CI/CD für KI-Systeme (Continuous Integration, Delivery und Deployment)
- Modellversionierung und Experiment-Tracking
- Reproduzierbarkeit von KI-Experimenten
- Model Registry und Lifecycle-Management
- Monitoring von KI-Systemen im produktiven Betrieb
- Drift Detection (Daten- und Modell-Drift)
- Qualitätsmetriken für KI-Modelle im Betrieb
- Automatisierte Retraining- und Update-Prozesse
- Governance im KI-Betrieb (Nachvollziehbarkeit und Auditierbarkeit)
- Einführung in typische MLOps-Toolchains
- Aufbau einer einfachen MLOps-Pipeline (konzeptionell oder toolgestützt)
- Monitoring eines Beispielmodells mit Drift-Simulation
- Versionierung und Vergleich von Modellvarianten
- Simulation eines CI/CD-Prozesses für ein ML-Modell
Voraussetzungen
Vorherige Teilnahme an IC-805-G-04 – KI-Systeme entwickeln & integrieren oder vergleichbare Erfahrung in Softwareentwicklung oder Data Science
Zertifikatstyp
Teilnahmebescheinigung
Zertifizierungsanforderung
Ohne Zertifizierungsmöglichkeit
Kurs-ID: IC-805-G-07
Inhalt
- Architektur moderner KI-Plattformen (Enterprise AI Stack)
- Cloud-, On-Prem- und Hybrid-Architekturen für KI
- Containerisierung von KI-Anwendungen
- Orchestrierung von Workloads mit Kubernetes
- Nutzung von Container-Technologien wie Docker für KI-Workloads
- GPU-basierte Infrastruktur für Training und Inference
- Datenpipelines für KI-Systeme (Batch- und Streaming-Ansätze)
- Storage- und Datenarchitekturen für KI-Anwendungen
- Skalierung von KI-Systemen in Produktionsumgebungen
- Multi-Model- und Multi-Service-Architekturen
- Edge AI und verteilte KI-Systeme
- Integration von KI-Plattformen in Unternehmens-IT
- Sicherheits- und Governance-Aspekte auf Infrastruktur-Ebene
- Entwurf einer beispielhaften KI-Plattformarchitektur
- Aufbau einer containerisierten KI-Umgebung (konzeptionell oder Demo-basiert)
- Simulation einer skalierbaren KI-Deployment-Architektur
Voraussetzungen
IC-805-G-04 – KI-Systeme entwickeln & integrieren oder vergleichbare Erfahrung in Softwareentwicklung oder IT-Architektur
Zertifikatstyp
Teilnahmebescheinigung
Zertifizierungsanforderung
Ohne Zertifizierungsmöglichkeit
Kurs-ID: IC-805-G-08
Inhalt
- Grundlagen regulierter KI-Systeme und deren Klassifizierung
- Überblick über den EU AI Act und praktische Umsetzung im Unternehmen
- High-Risk-AI-Systeme: Anforderungen, Pflichten und Nachweispflichten
- KI-Risikomanagement über den gesamten Lebenszyklus
- Einführung in AI Governance Frameworks
- Schnittstellen zu ISO/IEC 42001 (AI Management System)
- Schnittstellen zu ISO/IEC 23894 (AI Risk Management)
- Daten-Governance für KI-Systeme (Qualität, Herkunft, Nachvollziehbarkeit)
- Modellrisiken: Bias, Fairness, Robustheit, Unsicherheit
- Explainable AI (XAI) – Anforderungen und praktische Ansätze
- Validierung und Verifikation von KI-Systemen
- Dokumentations- und Nachweissysteme (Audit Trail, Model Cards, Data Sheets)
- Post-Market Monitoring und kontinuierliche Systemüberwachung
- Incident Handling bei KI-Systemen (Fehler, Drift, Fehlverhalten)
- Governance-Strukturen in Unternehmen (Rollen, Prozesse, Verantwortlichkeiten)
- Durchführung einer KI-Risikoanalyse für einen realen Use Case
- Bewertung eines KI-Systems nach EU AI Act Kriterien
- Erstellung einer Governance-Dokumentation (z. B. Model Card + Risk Assessment)
- Analyse eines KI-Systems hinsichtlich Compliance, Risiko und Nachweisfähigkeit
Voraussetzungen
IC-805-G-01 – KI verstehen & sicher anwenden oder vergleichbare Grundkenntnisse im Umgang mit KI-Systemen
Zertifikatstyp
Teilnahmebescheinigung
Zertifizierungsanforderung
Nachweis über die Teilnahme am Kurs oder Nachweis anderweitig erworbener äquivalenter Kenntnisse + Bestehen der Prüfung + Mindestens 2 Jahre Berufserfahrung im relevanten Tätigkeitsbereich
Kurs-ID: IC-805-G-09
Inhalt
- Überblick EU AI Act mit Fokus auf High-Risk KI-Systeme im Gesundheitswesen
- Zusammenspiel von EU AI Act, MDR (Medical Device Regulation) und IVDR
- Klassifizierung von KI-Systemen als Medizinprodukt (SaMD)
- Anforderungen an klinische Bewertung und klinische Evidenz
- Risiko-Management nach ISO 14971 im Kontext von KI-Systemen
- Validierung und Verifikation von KI-Modellen im medizinischen Umfeld
- Anforderungen an Datenqualität, Datenrepräsentativität und Bias im Gesundheitskontext
- Post-Market Surveillance für KI-basierte Medizinprodukte
- Dokumentationsanforderungen (Technical Documentation, Clinical Evaluation Report)
- Lifecycle Management von KI in regulierten Medizinsystemen
- Change Management bei lernenden oder adaptiven KI-Systemen
- Auditierbarkeit und Nachweisführung gegenüber Benannten Stellen
- Anforderungen an Explainability und Transparenz in klinischen KI-Systemen
- Bewertung eines KI-Use-Cases hinsichtlich SaMD-Eignung
- Durchführung einer vereinfachten KI-Risikoanalyse im MedTech-Kontext
- Erstellung einer strukturierten Dokumentationsskizze (z. B. Risk File / Clinical Summary)
- Analyse typischer Fehlerquellen bei KI in medizinischen Anwendungen
- Fallstudien aus diagnostischen und assistiven KI-Systemen
Voraussetzungen
IC-805-G-01 – KI verstehen & sicher anwenden oder vergleichbare Grundkenntnisse in KI-Systemen und deren Anwendung
Zertifikatstyp
Teilnahmebescheinigung
Zertifizierungsanforderung
Ohne Zertifizierungsmöglichkeit
Kurs-ID: IC-805-G-10
Inhalt
- Grundlagen von Zeitreihendaten (Struktur, Eigenschaften, Herausforderungen)
- Datenvorverarbeitung für Zeitreihen (Rauschen, Missing Values, Normalisierung)
- Klassische Verfahren der Zeitreihenanalyse (Trend, Saisonalität, Autokorrelation)
- Einführung in ML-basierte Zeitreihenmodelle
- Prognosemodelle für kurzfristige und langfristige Vorhersagen
- Anomalieerkennung in Zeitreihendaten
- Predictive Maintenance und Condition Monitoring
- Feature Engineering für Zeitreihen (Sliding Windows, Lag Features etc.)
- Evaluation von Zeitreihenmodellen (MAE, RMSE, MAPE etc.)
- Umgang mit nicht-stationären Daten
- Einsatz von KI in industriellen Prozessen (Produktion, Energie, IoT)
- Grenzen und Risiken von KI-gestützten Prognosesystemen
- Aufbau eines einfachen Prognosemodells für industrielle Zeitreihen
- Entwicklung eines Anomalieerkennungssystems auf Sensordaten
- Analyse eines Predictive-Maintenance-Use-Cases
- Vergleich klassischer vs. ML-basierter Zeitreihenverfahren
Voraussetzungen
IC-805-G-04 – KI-Systeme entwickeln & integrieren oder vergleichbare Kenntnisse in Datenanalyse und Machine Learning
Zertifikatstyp
Teilnahmebescheinigung
Zertifizierungsanforderung
Ohne Zertifizierungsmöglichkeit
Kurs-ID: IC-805-G-11
Inhalt
- Einführung in Physics-Informed AI (PIA) und hybride Modellansätze
- Motivation: Grenzen rein datengetriebener KI in technischen Systemen
- Kombination von physikalischen Gleichungen und Machine Learning
- Überblick über Physics-Informed Neural Networks (PINNs)
- Einbindung von Differentialgleichungen in Lernprozesse (konzeptionell)
- Modellierung physikalischer Systeme mit KI-Unterstützung
- Datenarme Szenarien und der Nutzen physikalischer Constraints
- Simulation vs. datengetriebene Modellierung
- Anwendungsfälle in Strömungsmechanik (CFD)
- Anwendungsfälle in Thermodynamik
- Anwendungsfälle in Strukturmechanik
- Anwendungsfälle in Elektromagnetische Systeme
- Validierung physik-informierter Modelle
- Fehleranalyse und Interpretierbarkeit hybrider Modelle
- Grenzen und Herausforderungen (Rechenaufwand, Modellstabilität)
- Entwicklung eines einfachen Physics-Informed Modellkonzepts
- Vergleich klassischer ML-Modelle vs. physik-informierter Ansätze
- Analyse eines technischen Simulationsproblems mit KI-Unterstützung
- Demonstration eines vereinfachten PINN-Ansatzes (tool- oder notebookbasiert)
Voraussetzungen
IC-805-G-04 – KI-Systeme entwickeln & integrieren oder vergleichbare technische KI- und Data-Science-Kenntnisse
Zertifikatstyp
Teilnahmebescheinigung
Zertifizierungsanforderung
Ohne Zertifizierungsmöglichkeit
Kein Ergebnis gefunden!
