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.
Dauer 28 Stunden
Schulungsübersicht
Der KI-Forward-Deployed Engineer
- Die Rolle im Vergleich zum ML-Ingenieur und Solutions Engineer
- Verantwortung für Ergebnisse statt für Bereitstellungsmilestones
- Arbeit mit Produkt-, Forschungs- und Sicherheitsteams
Discovery in unstrukturierten Unternehmen
- Einen Workflow von Anfang bis Ende begleiten
- Systeme, Daten und Übergaben kartieren
- Die Einschränkung finden, die den Wert blockiert
Problemdefinition und Priorisierung
- Anwendungsfälle nach Machbarkeit qualifizieren
- Kandidaten-Workflows anhand des Aufwands bewerten
- Den ersten Workflow wählen, der nachgewiesen werden soll
Wertrahmen und Akzeptanzkriterien
- Grundlage für Metriken legen, bevor mit dem Bau begonnen wird
- Business-Case-Sprache für Finanzierungssponsoren
- Akzeptanzkriterien mit Nutzern vereinbaren
Modellauswahl: Frontier und Open-Weights
- Vergleich von GPT-6, Claude 5.5 und Open-Source-Modellen
- Abwägung von Kontext, Latenz und Einheitskosten
- Wann Datenregeln lokal gehostete Modelle erzwingen
Kontextengineering und Prompt-Design
- Strukturierung von Anweisungen für zuverlässiges Verhalten
- Zusammenstellen des Kontexts aus Systemen der Aufzeichnung
- Prompt-Caching und Token-Minimierung
Retrieval und Wissensfundierung
- Enterprise-Inhalte in Chunken aufteilen und indexieren
- Hybride Suche, Reranking und Zitation
- Evaluierung des Retrievals getrennt von der Generierung
Agenten und Werkzeugnutzung
- Werkzeugdesign und typisierte Schnittstellen
- Entwicklung mit den Agent-SDKs von OpenAI und Claude
- Genehmigungen, Retries und Fehlerbehandlung
MCP und Enterprise-Integration
- Die Überarbeitung des Model Context Protocol vom 28.07.2026
- Aufbau und Absicherung von MCP-Servern
- Werkzeuge gegen Enterprise-Identität berechtigen
Evaluierung als Sprache der Bereitstellung
- Goldene Datensätze aus realer Arbeit erstellen
- Automatisierte Bewertung und LLM-Richter
- Release-Gates, die an Evaluierungsschwellenwerte gebunden sind
Guardrails, Sicherheit und menschliche Aufsicht
- Guardrails auf den Ebenen von Prompt, Werkzeug und Politik
- Escalations- und menschliche Überprüfungspunkte
- Prüfpfade und Pflichten im Datenhandling
Bereitstellungsarchitektur in der Kundenumgebung
- Einschränkungen in Bezug auf Identität, Netzwerk und Datenresidenz
- Modell-Gateway und Multi-Provider-Abstraktion
- Infrastructure as Code und Release-Prozess
Beobachtbarkeit, Kosten und Token-Ökonomie
- Nachverfolgung von Agentenläufen und Werkzeugaufrufen
- Dashboards für Qualität und Ausgaben
- Kosten senken, ohne die Qualität zu verlieren
Adoption und Wandel
- Ermächtigung der Personen, die die Arbeit verrichten
- Champion-Netzwerke und Feedbackschleifen
- Messung der Adoptionsgeschwindigkeit
Vom Engagement zur wiederverwendbaren Fähigkeit
- Nachgewiesene Workflows verpacken
- Playbooks, Blaupausen und Beschleuniger
- Übermittlung an interne Teams
Voraussetzungen
- Beherrschung von Python, einschließlich der Arbeit mit APIs und virtuellen Umgebungen
- Vertrautheit mit Cloud-Plattformen, Containern und Versionskontrollen
- Vorerfahrung bei der Anbindung einer LLM-API oder beim Aufbau einer promptbasierten Funktion
- Grundlegendes Verständnis von Enterprise-Systemen wie CRM, ERP oder Ticketing-Plattformen
Zielgruppe
- Forward-Deployed und angewandte KI-Ingenieure
- Software-Entwickler, die in die kundenorientierte KI-Bereitstellung wechseln
- Technische Berater und Lösungsarchitekten, die für KI-Einführungen verantwortlich sind
- Plattform-Ingenieure, die produktionsreife KI-Workloads unterstützen
