Kursbeschreibung
Das KI-Grundlagen-Seminar verbindet Fachwissen über künstliche Intelligenz mit einem zweitägigen Praxis-Workshop für deinen eigenen Anwendungsfall. Du klärst, wie künstliche Intelligenz, Machine Learning, Deep Learning, NLP und generative KI zusammenhängen. Du vergleichst klassische Programme mit lernenden Modellen und untersuchst, welchen Einfluss Daten, Training und Bias auf die Ergebnisse haben. So prüfst du Aussagen über KI fachlich, statt Entscheidungen allein auf Produktversprechen oder einzelne Tool-Demos zu stützen.
Übungen mit ChatGPT, Copilot, Gemini und DeepSeek zeigen, wie sich dasselbe Anliegen in verschiedenen KI-Assistenten bearbeiten lässt. Du formulierst Prompts für ausgewählte Aufgaben, vergleichst die Antworten mit den Anforderungen und prüfst, an welchen Stellen menschliche Kontrolle notwendig bleibt. An Beispielen aus der Bilderkennung, der Textanalyse und der Arbeit mit Chatbots erkennst du, welche Aufgaben KI-Systeme übernehmen und wo ihre Leistungsgrenzen liegen. Der Workshop behandelt auch Datenschutz, Transparenz, ethische Fragen und die Grundzüge des EU AI Act.
Den zweiten Schwerpunkt bildet ein KI-Use-Case aus deinem Arbeitsbereich. Du beschreibst den erwarteten Nutzen, die benötigten Daten und die Voraussetzungen für die Umsetzung. Risiken, Zuständigkeiten und erste Projektschritte hältst du in einer strukturierten Entscheidungsgrundlage fest. Auf dieser Grundlage entscheidet dein Unternehmen, ob der Anwendungsfall weiterverfolgt, angepasst oder vor dem Projektstart verworfen wird. Die Arbeit an deiner eigenen Ausgangslage senkt das Risiko, Zeit und Ressourcen in einen ungeeigneten KI-Ansatz zu investieren.
Das Training gehört zu unseren KI-Schulungen für Unternehmen und Fachkräfte. Kleine Gruppen mit zwei bis acht Personen geben dir Raum für Tool-Tests, fachliche Rückfragen und die Besprechung deines Use-Cases mit einem Trainer aus der Praxis. Nach dem Seminar erhältst du ein Zertifikat als Nachweis der behandelten Inhalte. Der Prompt-Engineering-Grundkurs vertieft anschließend die systematische Entwicklung und Prüfung von Prompts. Wähle einen Online-Termin oder einen Präsenztermin an einem unserer 21 Standorte und buche die passende KI-Schulung.
Die wichtigsten Themen im Überblick
- KI-Modelle fachlich unterscheiden
- Prompts mit KI-Tools prüfen
- Eigenen KI-Use-Case bewerten
- Bias und Datenqualität erkennen
- Einführungsplan vorbereiten
- Zertifikat als Qualifikationsnachweis
Zielgruppe
- Fachkräfte aus nichttechnischen Unternehmensbereichen
- Projektverantwortliche vor der ersten KI-Initiative
- Führungskräfte mit Verantwortung für KI und Automatisierung
- Fachkräfte vor der KI-Einführung mit einem zu prüfenden Use-Case
Voraussetzung für die Schulung
- Keine Programmierkenntnisse erforderlich
- Grundlegende Erfahrung mit digitalen Arbeitsmitteln
- Eigene Aufgabe oder Prozessidee für den Workshop
- Bereitschaft zur kritischen Prüfung von KI-Ergebnissen
Kursinhalte
Grundlagen künstlicher Intelligenz
- Historie und Definition künstlicher Intelligenz
- Machine Learning und NLP
- Deep Learning und neuronale Netze
- Klassische Programme und lernende Systeme
- Grundbegriffe der generativen KI
Modelle, Daten und Training
- Daten als Basis des Modelltrainings
- Zusammenhang zwischen Modell und Training
- Training und Inferenz im Vergleich
- Bias in den Trainingsdaten
- Qualität und Aussagekraft der Ergebnisse
- Leistungsgrenzen lernender Systeme
KI-Tools und praktische Anwendungen
- KI-Assistenten: ChatGPT und Copilot
- KI-Assistenten: Gemini und DeepSeek
- Prompts für ausgewählte Arbeitsaufgaben
- Vergleich und Prüfung der Antworten
- Bilderkennung als Live-Demo
- Textanalyse und Arbeit mit Chatbots
- KI in Wirtschaft und Verwaltung
Risiken und regulatorischer Rahmen
- Datenschutz bei Eingaben und Ergebnissen
- Transparenz und Nachvollziehbarkeit
- Bias und menschliche Kontrolle
- Ethische Fragen beim KI-Einsatz
- Chancen und Grenzen von KI
- Grundzüge des EU AI Act
Workshop zur KI-Einführung
- Voraussetzungen betrieblicher KI-Projekte
- Rollen und Verantwortlichkeiten
- Typische Fehler bei der Einführung
- Auswahl eines eigenen Use-Cases
- Bewertung von Nutzen und Datenbedarf
- Projektplanung und erste Integration
- RunwayML und Google Vertex AI
- Einsatzfelder von Edge-AI und AutoML
