Generative AI und LLM – Grundlagen und Praxis
Generative KI verstehen und sinnvoll einsetzen
01 Intro
Generative AI und Large Language Models haben sich innerhalb kurzer Zeit zu
Werkzeugen entwickelt, die in zahlreichen beruflichen Bereichen eingesetzt
werden können. Ihr sinnvoller Einsatz setzt jedoch voraus, ihre
Möglichkeiten ebenso zu verstehen wie ihre Grenzen.
Der Kurs vermittelt die grundlegenden Konzepte hinter generativer KI und
LLMs und verbindet sie mit der praktischen Arbeit mit aktuellen Modellen und
Werkzeugen. Die Teilnehmer lernen, Aufgaben für Sprachmodelle geeignet zu
formulieren, Ergebnisse kritisch zu beurteilen und typische Fehler und
Risiken zu erkennen.
Kurs-ID
AI-001
Dauer
3 Tage
Format
Präsenz · Live Online · Inhouse
Vorkenntnisse
Keine speziellen KI- oder Programmierkenntnisse erforderlich
02 Trainingsprogramm
Inhalte
Generative AI und Large Language Models
- generative KI im Unterschied zu klassischer KI und Machine Learning
- Large Language Models und multimodale Modelle
- typische Einsatzgebiete
- Modellklassen und Anbieter
- lokale und cloudbasierte Modelle
- Möglichkeiten und Grenzen generativer KI
Wie ein LLM arbeitet
- Training und Inferenz
- Tokens, Tokenisierung und Kontextfenster
- Wahrscheinlichkeiten und Textgenerierung
- Transformer und Attention im Überblick
- System Prompt und Benutzerkontext
- warum plausible Antworten trotzdem falsch sein können
Mit Sprachmodellen arbeiten
- Aufgabe, Ziel und Kontext formulieren
- Rollen und Randbedingungen
- Beispiele gezielt einsetzen
- Ausgabeformate festlegen
- komplexe Aufgaben zerlegen
- iterativ arbeiten und Ergebnisse weiterverwenden
Prompting in der Praxis
- Aufbau eines belastbaren Prompts
- Zero-Shot und Few-Shot Prompting
- strukturierte Ausgaben
- wiederverwendbare Prompts und Templates
- typische Prompting-Fehler
- Grenzen der Prompt-Optimierung
Kontext, Dateien und Dokumente
- Gesprächsverlauf und verfügbarer Kontext
- relevante Informationen gezielt bereitstellen
- Dateien und Dokumente als Kontext
- lange Dokumente sinnvoll aufteilen
- Informationen extrahieren, vergleichen und strukturieren
- Grenzen des Kontextfensters
Halluzinationen und Fehler
- warum Modelle falsche Informationen erzeugen
- plausible, aber fachlich falsche Antworten
- fehlendes Wissen und Unsicherheit
- Ergebnisse und Quellen verifizieren
- geeignete Gegenprüfungen
- wann menschliche Kontrolle erforderlich ist
Multimodale Modelle
- Text und Bild kombinieren
- Bilder, Screenshots und Diagramme analysieren
- Dokumente mit visuellen Bestandteilen
- Bildgenerierung im Überblick
- Sprache und Audio im Überblick
- Grenzen multimodaler Verarbeitung
Modelle und Werkzeuge auswählen
- kleine und große Modelle
- Cloudmodelle und lokale Modelle
- Qualität, Geschwindigkeit und Kosten
- Kontextgröße und Funktionsumfang
- Datenschutz und Vertraulichkeit
- Modellwahl nach Aufgabenstellung
Datenschutz und Informationssicherheit
- übermittelte und gespeicherte Informationen
- personenbezogene und vertrauliche Daten
- Cloud- und lokale Verarbeitung
- Datenhaltung beim Modellanbieter
- Zugriffsrechte und organisatorische Regeln
- sensible Informationen verantwortungsvoll verarbeiten
Rechtliche Rahmenbedingungen
- generierte und fremde Inhalte
- Urheberrecht als praktische Fragestellung
- Trainingsdaten und Herkunft von Inhalten
- Kennzeichnung und Nachvollziehbarkeit
- unternehmensinterne Vorgaben
- wann juristische Klärung erforderlich ist
Qualität von AI-Ergebnissen
- Plausibilität von fachlicher Richtigkeit unterscheiden
- fachliche Prüfung und geeignete Kriterien
- Quellen und Belege
- Ergebnisse und Modellantworten vergleichen
- reproduzierbare Aufgaben und Prüfungen
- Verantwortung für das Arbeitsergebnis
Generative AI im Arbeitsalltag
- Recherche und Informationsaufbereitung
- Texte, Dokumentation und Zusammenfassungen
- Analyse, Strukturierung und Klassifikation
- Ideen, Varianten und sprachliche Überarbeitung
- Entscheidungen vorbereiten
- wiederkehrende Aufgaben unterstützen
Von Chat zu AI-Workflows
- Grenzen des reinen Chat-Interfaces
- wiederverwendbare Arbeitsabläufe
- strukturierte Ein- und Ausgaben
- Modelle über APIs verwenden
- RAG, Tool-Nutzung und Agenten im Überblick
- Model Context Protocol und Übergang zu AI Engineering
Praxis: eigene Anwendungsfälle
- unterschiedliche Aufgaben mit LLMs bearbeiten
- Prompts schrittweise verbessern
- Ergebnisse verschiedener Ansätze vergleichen
- fehlerhafte Antworten erkennen und prüfen
- Dokumente analysieren und strukturierte Ergebnisse erzeugen
- geeignete Modelle und Vorgehensweisen auswählen
03 Durchführung
Rahmen und Organisation
Dauer
3 Tage
Durchführung
Präsenz oder Live Online, vorzugsweise als Inhouse-Schulung
Schwerpunkt
Inhouse-Schulungen für Unternehmen und Teams
Sprache
Deutsch, englische Fachbegriffe und Dokumentation
Unterlagen
Kursunterlagen, Beispiele und Übungsaufgaben
Technik
Eigener Rechner mit Zugang zu einem aktuellen Sprachmodell
Inhouse-Schulungen
Die Schwerpunkte können an vorhandene Kenntnisse, eingesetzte
Technologien und konkrete Anforderungen des Teams angepasst werden.
04 Zielgruppe
Für wen ist der Kurs gedacht?
Der Kurs richtet sich an Fach- und Führungskräfte, Entwickler, Projektmitarbeiter und andere Anwender, die generative KI und Large Language Models fundiert verstehen und für berufliche Aufgaben einsetzen möchten.
Er eignet sich sowohl für Teilnehmer mit ersten Erfahrungen mit ChatGPT, Claude oder vergleichbaren Werkzeugen als auch für Einsteiger, die einen systematischen Einstieg suchen.
Voraussetzungen
Spezielle KI- oder Programmierkenntnisse werden nicht vorausgesetzt.
Grundlegende Erfahrung im Umgang mit digitalen Werkzeugen und die
Bereitschaft, unterschiedliche Anwendungsfälle praktisch auszuprobieren,
sind ausreichend.
05 Lernziele
Was Sie nach dem Kurs können
Nach dem Kurs können die Teilnehmer:
- grundlegende Konzepte generativer KI und Large Language Models erklären
- Möglichkeiten und Grenzen von LLMs realistisch einschätzen
- Aufgaben und Kontext für Sprachmodelle sinnvoll formulieren
- Prompts strukturiert entwickeln und verbessern
- Halluzinationen und typische Fehlerquellen erkennen
- Modellantworten kritisch prüfen und verifizieren
- Dokumente und strukturierte Informationen mit LLMs bearbeiten
- multimodale Modelle für geeignete Aufgaben einsetzen
- unterschiedliche Modelle anhand ihrer Eigenschaften auswählen
- Datenschutz- und Sicherheitsaspekte berücksichtigen
- Qualitätskriterien für AI-generierte Ergebnisse anwenden
- geeignete Einsatzmöglichkeiten im eigenen Arbeitsumfeld identifizieren
- den Unterschied zwischen Chat-Nutzung und weiterführenden AI-Engineering-Ansätzen einordnen
06 FAQ
Häufige Fragen
Ist der Kurs für Einsteiger geeignet?
Ja. Es werden keine speziellen KI-Kenntnisse vorausgesetzt. Vorhandene Erfahrungen mit ChatGPT, Claude oder ähnlichen Werkzeugen sind hilfreich, aber nicht erforderlich.
Muss ich programmieren können?
Nein. Der Kurs behandelt die grundlegende und praktische Nutzung generativer KI ohne Programmierkenntnisse. Technische Konzepte werden soweit erläutert, wie sie für das Verständnis und die sinnvolle Nutzung relevant sind.
Geht es hauptsächlich um Prompt Engineering?
Nein. Prompting ist ein wichtiger Bestandteil, aber nur ein Teil des Kurses. Ebenso behandelt werden Funktionsweise, Kontext, Halluzinationen, Modellwahl, Qualität, Datenschutz, Sicherheit und weiterführende Einsatzformen.
Werden verschiedene KI-Modelle behandelt?
Ja. Der Kurs ist nicht auf einen einzelnen Anbieter oder ein bestimmtes Modell beschränkt. Unterschiede zwischen Modellklassen und Werkzeugen werden anhand praktischer Aufgaben betrachtet.
Werden auch Risiken und Grenzen behandelt?
Ja. Halluzinationen, Datenschutz, Informationssicherheit, rechtliche Fragestellungen und die Verifikation von Ergebnissen gehören ausdrücklich zum Kurs.
Werden RAG und AI-Agenten behandelt?
Sie werden als weiterführende Konzepte eingeordnet. Die technische Entwicklung entsprechender Systeme ist nicht Schwerpunkt dieses Grundlagenkurses und kann in weiterführenden AI-Engineering-Kursen vertieft werden.
Kann der Kurs an konkrete Anwendungsfälle angepasst werden?
Ja. Bei Inhouse-Schulungen können Beispiele und Übungen an typische Aufgaben, vorhandene Werkzeuge und Anforderungen des Unternehmens angepasst werden.