Dieses Modul richtet sich an Ingenieure, die den Übergang von Einzweck-Bots zu skalierbaren, modularen Architekturen vollziehen. Sie werden fortgeschrittene Systemdesign-Methoden erlernen, um wartbare KI-Systeme zu entwickeln, die sich an die geschäftlichen Anforderungen anpassen. Der Lehrplan konzentriert sich auf die Bewertung von Schlussfolgerungsschleifen wie ReAct und Reflexion mittels datengestützter A/B-Tests. In praktischen Übungen wenden Sie Best Practices der Softwareentwicklung an, um wiederverwendbare Komponenten – Planner, Memory und Executor – unter Verwendung typisierter API-Verträge zu entwickeln. Am Ende sind Sie in der Lage, ein vollständiges Python-Paket mit Agentenkomponenten zu entwerfen und zu dokumentieren, das sich nahtlos in hochwertige Produktionsumgebungen integrieren lässt.

Im Mittelpunkt dieses Moduls steht die Entwicklung schneller, skalierbarer und reaktionsschneller Systeme. Ausgehend von der Erkenntnis, dass Geschwindigkeit ebenso entscheidend ist wie Intelligenz, vermittelt dieses Programm Ingenieuren die Fähigkeit, kritische Leistungsengpässe zu diagnostizieren und zu beheben. Sie werden Optimierungstechniken beherrschen lernen und Brute-Force-Methoden durch ausgefeilte Algorithmen wie die Beam-Suche ersetzen. In praktischen Übungen wenden Sie die Big-O-Notation an, um mehrstufige Entscheidungsabläufe zu analysieren, und nutzen Profiler, um Leistungsengpässe genau zu lokalisieren. Indem Sie lernen, Optimierungen zu implementieren – wie beispielsweise die Indizierung, um die Komplexität von O(n²) auf O(log n) zu reduzieren –, erwerben Sie das technische Fachwissen, um technische Entscheidungen durch professionelle Vorschläge zu begründen.

Dieses Modul richtet sich an Ingenieure und Datenwissenschaftler, die intelligente, sachlich zuverlässige Suchsysteme entwickeln möchten. Generative KI zeichnet sich zwar durch hervorragende Schlussfolgerungsfähigkeiten aus, neigt jedoch häufig zu „Halluzinationen“; herkömmliche Suchverfahren sind zwar präzise, lassen aber den Kontext vermissen. In diesem Programm lernen Sie, hybride Arbeitsabläufe zu entwerfen, die große Sprachmodelle (LLMs) auf überprüfbare Daten stützen. Sie gehen über grundlegende Prompting-Techniken hinaus und lernen, Systeme im Hinblick auf Leistung und Kosten zu entwerfen und zu optimieren. In praktischen Übungen erlernen Sie die Feinabstimmung von Parametern und die Modularisierung von Code für produktionsreife CI/CD-Pipelines. Am Ende sind Sie in der Lage, vertrauenswürdige, kontextbezogene KI-Anwendungen bereitzustellen, die in großem Maßstab zuverlässige Ergebnisse liefern.

Dieses Modul richtet sich an ML-Experten, denen Vertrauen und Verantwortlichkeit besonders wichtig sind. In der modernen KI reicht eine hohe Genauigkeit nicht aus; Sie müssen die Modellausgaben begründen und schädliche Verzerrungen minimieren. In diesem Programm lernen Sie, fortgeschrittenes Feature Engineering mit der Interpretierbarkeit von Modellen zu kombinieren, um einen ethischen Einsatz zu gewährleisten. In praktischen Übungen wandeln Sie unstrukturierte Chat-Protokolle mithilfe von Python, scikit-learn, TF-IDF und Embedding-Aggregation in modellfähige Tensoren um. Anschließend dekonstruieren Sie „Black-Box“-Modelle mithilfe von SHAP, um Fehlklassifikationen zu diagnostizieren und Scheinkorrelationen zu kennzeichnen. Am Ende entwickeln Sie ein „AI Model Decision Toolkit“, mit dem Sie für Stakeholder aufbereitete Berichte erstellen können, die eine transparente und zuverlässige KI-Produktion gewährleisten.

Dies ist ein Modul für Ingenieure und Datenwissenschaftler, dessen Schwerpunkt auf skalierbaren, wartbaren Workflows liegt. Über die einfache Modellauswahl hinaus vermittelt Ihnen dieses Programm, wie Sie standardisierte, wiederverwendbare Pipelines erstellen, die die Entwicklung beschleunigen und Konsistenz gewährleisten. Sie werden strategisch die Vor- und Nachteile zwischen großen, vortrainierten Modellen und effizienten, maßgeschneiderten Alternativen abwägen und dabei ein Gleichgewicht zwischen Leistung, Inferenzgeschwindigkeit und Kosten herstellen. In praktischen Übungen erlernen Sie den modularen Aufbau mit Scikit-learn, wobei der Schwerpunkt auf Best Practices für das Modellmanagement und die Versionsverwaltung liegt. Am Ende des Kurses werden Sie den Übergang von der Ad-hoc-Entwicklung zu einem systematischen, pipeline-gesteuerten Ansatz vollziehen, der für die Bereitstellung robuster, produktionsreifer KI-Lösungen unerlässlich ist.