Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Modul 1: Einführung und Theorie der KI
- Der modellbasierte Ansatz: KI als ingenieurwissenschaftliches Problem.
- Das „Geheimnis“ hinter KI entschlüsselt: Was KI ist – und was nicht.
- Die technologische Entwicklung: Von BERT zu Transformer-Modellen.
- Generative Anwendungsbereiche: Analyse, Kreativität, Forschung, Bild- und Musikgenerierung sowie Videoproduktion.
- Datenmanagement: Grundprinzipien, Audits sowie aktuelle Forschungstrends wie Multimodalität, Agenten-Systeme, RAG sowie der Vergleich von LLMs zu SLMs.
- Die dunklen Seiten der KI: Ethikfragen, Urheberrecht, Bias-Problematiken, Halluzinationen und soziale Manipulationstechniken.
- Risikobewertung: Themen wie Datenvergiftung, Nepenthes-Effekte sowie die Gefahr einer „Abstumpfung“ menschlicher Fähigkeiten.
- Modellklassifizierung: Unterschiede zwischen Basis- und anwendungsspezifischen Modellen; geschlossene gegen offene Modelle.
Modul 2: Aktueller Marktüberblick und Tools
- Die Arena der Sprachmodelle: Leistungsvergleich und Benchmark-Daten.
- Auswahlkriterien für den geschäftlichen Einsatz: Kosten, Latenzzeit, Datenschutz sowie Abhängigkeit von Anbietern.
- Übersicht über große Sprachmodelle: OpenAI ChatGPT, Perplexity, Gemini und Grok.
- Spezialisierte sowie kleine Modelle: Zum Beispiel Manus, SpecKit.
- Bildgenerierung: Vorstellung von Werkzeugen wie Perchance.
- Technische Grenzen: Unterschiede zwischen Kontextverlust und Token-Kosten.
Modul 3: Interaktion – Prompt- und Kontexingenieurwesen
- Das Verifizierungsrahmenwerk: Kriterien wie Vollständigkeit, Kohärenz sowie Überprüfbarkeit.
- Die RAG-Strategie: Wann Retrieval-Augmented Generation sinnvoll ist und wann Fine-Tuning vorzuziehen ist.
- ROI-Erwägungen bei KI: Abwägung zwischen Wartungsaufwand und Produktivitätsgewinnen.
- Fortgeschrittene Techniken: Mehr als 20 Methoden des Prompt-Engineerings sowie RAG mit praktischen Anwendungsbeispielen.
- Experimentelle Innovationen: Konzepte wie Triangulation, die Grundprinzipien von Map & Terrain sowie modellbasierte Generierung.
Modul 4: KI im agilen Projektmanagement
- Das Supercomputer-Pilotprojekt: Nutzung von KI als Automatisierungsmotor.
- Entscheidungsfindung: Unterscheidung zwischen menschlicher Verantwortung und Unterstützung durch KI.
- AIOps und GitOps: Integration von KI in operative Arbeitsabläufe.
- Werkzeugketten und Automatisierungspipelines: Aufbau einer reibungslosen, KI-gestützten Arbeitsumgebung.
- Agiles Material: Backlog-Erstellung, Roadmap-Planung sowie Anforderungsanalyse.
- Präzisionsmanagement: Kapazitätsplanung und Schätzverfahren (Differenzierung zwischen Genauigkeit und Präzision).
- Produktverantwortung: Ideenfindung, Analyse von Funktionen sowie Risiken beim sogenannten Vibe-Coding.
- Szenarioplanung: Erstellung von „Was-wäre-Wenn“-Analysen sowie automatisierte Risikosteuerung.
- Weiterentwicklung: Gestaltung und Verfeinerung von Anwendungsfällen sowie User Stories.
Voraussetzungen
- Grundlegendes Verständnis des Agile-Manifests sowie des Scrum-Frameworks.
- Erfahrung in Projektmanagement, Produktverantwortung oder Teamleitung.
- Vorherige Programmier- oder KI-Engineering-Kenntnisse sind nicht erforderlich; allerdings ist eine grundlegende Vertrautheit mit digitalen Werkzeugen empfehlenswert.
Zielgruppe
- Agile Projektmanager und Scrum Master.
- Produktverantwortliche sowie Produktmanager.
- IT-Teamleiter und Delivery Manager.
- Business Analysten, die in agilen Umgebungen arbeiten.
- Operations Manager mit Interesse an AIOps.
7 Stunden
Erfahrungsberichte (1)
Verstehen Sie die Funktionen und Werkzeuge der KI, um unsere Arbeit zu erleichtern. Es ist wichtig, KI-Chats wie die Durchführung von Analysen und die Erstellung von Präsentationen zu verbessern.
Tri wulandari - PT Chubb Life Insurance Indonesia
Kurs - AI Literacy & Productivity
Maschinelle Übersetzung
