Tag 1: Vom Anwender zum Architekten

KI heute – wo stehen wir?

• Relevante KI-Entwicklungstrends
• Generative KI, klassische ML-Verfahren & multimodale Systeme

Von der Anwendung zur Entwicklung – was ändert sich?

• Unterschied zwischen Nutzung und eigener Entwicklung
• „Customizing“ von KI-Modellen: Fine-Tuning, Prompt Engineering, Transfer Learning
• Typische Ziele: Effizienz, Wettbewerbsdifferenzierung, Kontrolle

Build vs. Buy: Was ist sinnvoll?

• Entscheidungsfaktoren: Datenhoheit, Fachkräfte, Kosten, Sicherheit
• Make-or-Buy-Matrix
• Plattform- vs. Open-Source-Modelle

Architektur & Infrastruktur für eigene KI

• Datenpipelines, Rechenressourcen, Modellverwaltung
• ML-Ops, DevOps, DataOps im Kontext KI
• Überblick über relevante Tools und Frameworks (z. B. Hugging Face, LangChain, PyTorch, TensorFlow, Vertex AI)

Tag 2: Organisation, Risiken & Umsetzung

Teams & Kompetenzen

• Rollen im KI-Team: ML Engineers, Data Scientists, Prompt Engineers, Domain Experts
• Aufbau interdisziplinärer Teams
• Upskilling & Zusammenarbeit mit Externen

Rechtliche, ethische und regulatorische Rahmenbedingungen

• Umgang mit Trainingsdaten (DSGVO, Lizenzierung)
• Anforderungen aus dem AI Act für Eigenentwicklungen
• Explainability, Fairness, Bias-Erkennung

Herausforderungen bei der Umsetzung

• Datenqualität & Annotation
• Modellverständnis & Vertrauen schaffen
• Change Management im Unternehmen

Use Case Design & Projektplanung

• Welche Use Cases eignen sich für eigene Entwicklungen?
• Business Case, MVPs und Pilotierung
• Toolkits & Projektvorlagen