Baue, evaluiere und betreibe LLM-Anwendungen, die im Alltag bestehen: RAG, Agents, Guardrails, Monitoring und Kostenkontrolle.
Alle Kurse anzeigen
Python ist die Sprache der Datenanalyse und der Künstlichen Intelligenz. In diesem praxisnahen Seminar lernen Sie Schritt für Schritt, wie Sie mit Python arbeiten, Daten effizient auswerten und erste..
Deep Learning mit Python praxisnah lernen: von Datenaufbereitung bis TensorFlow und Keras
Lernen Sie in unserem Kurs zu Deep Learning mit Pytorch alle notwendigen Kenntnisse über das Framework Pytorch, sowie den grundlegenden Netzwerktypen bei Deep Learning, den Multilayer Perzeptrons und den..
Machine Learning bzw. Maschinelles Lernen hat in den letzten Jahren für einen regelrechten Boom gesorgt. Viele Unternehmen verwenden es inzwischen für die Lösung unterschiedlichster Probleme. Aber wofür..
Ziel dieses Seminars ist, den TeilnehmerInnen einen umfassenden Einblick in die Welt der natürlichen Sprachverarbeitung (NLP) zu vermitteln. In einer Zeit, in der die Kommunikation zwischen Mensch und Maschine..
Wir bieten die Kurse auch als Inhouse oder Firmenseminar an - vor Ort oder Live-Online.
In diesem Seminar lernst Du, wie Du mit Python und TensorFlow moderne Machine-Learning- und Deep-Learning-Modelle praxisnah umsetzt. Du verstehst das Prinzip und die Arbeitsweise künstlicher neuronaler..
In diesem Kurs erhältst du einen tiefen Einblick in die Welt der Large Language Models (LLM). Von der Auswahl der richtigen Modelle, dem Training und der Anpassung an eigene Inhalte. Auch ein Vergleich der..
In diesem Seminar baust du dir ein belastbares Verständnis dafür auf, wie moderne Large Language Models funktionieren und wie du sie in der Praxis zuverlässig einsetzt. Du frischt die LLM-Architektur auf,..
Von RAG und Fine-Tuning bis Guardrails, Evaluation und produktionsnahen Deployments.
In diesem Seminar entwickelst du als Entscheiderin oder Entscheider eine klare Large Language Model Strategie, die zu deinen Zielen und Rahmenbedingungen passt. Du verstehst die Grundlagen und Funktionsweise..
Baue Knowledge Graphs, die RAG, Empfehlungen und Betrugserkennung messbar verbessern.
Wir arbeiten direkt an euren eigenen Themen - effizient und praxisnah.
Von Datensatz bis Deployment: LoRA, DPO, Evaluation und sichere Inferenz in deiner Umgebung.
Baue semantische Suche, RAG und Ranking, die in echten Datenbanken zuverlässig funktionieren.
Richte lokale Inferenz ein, bewerte Modelle und baue sichere Workflows ohne Cloud-Abhängigkeit.
Große Sprachmodelle transformieren Unternehmen, öffnen jedoch völlig neue Angriffsvektoren, die klassische Firewalls oft ignorieren. In diesem Training tauchen Sie tief in die Welt der LLM-Sicherheit ein. Wir..
Wir erstellen dir gern ein individuelles Trainingsangebot.
Keine Schulungen gefunden
Bitte passe deine Filter an.
5.0/5 aus 2 Bewertungen
Weitere häufig gestellte Fragen und Antworten findest du in den FAQs .
Wer nach Weiterbildung zu KI Engineering, LLMs oder LLMOps sucht, will meist mehr als Prompting: Es geht um Systeme, die in der Praxis funktionieren, auditierbar sind und wirtschaftlich bleiben. Genau darauf zielt diese Kurs-Kategorie. Du lernst, wie du LLM-Anwendungen entwirfst, implementierst und betreibst, inklusive Evaluationsstrategie, Datenanbindung und Sicherheitskonzept.
Zentrale Inhalte sind Retrieval-Augmented Generation (RAG) mit Vektordatenbanken, Chunking-Strategien, Re-Ranking, Kontextfenster-Management und Quellenzitierung, damit Antworten nachvollziehbar werden. Dazu kommen Tool- und Function-Calling, Agent-Design, Workflow-Orchestrierung und robuste Fehlerbehandlung. Ein weiterer Fokus liegt auf Guardrails: Prompt-Injection-Abwehr, Output-Validierung, Policy-Checks, PII-Handling und Rechtekonzepte für Unternehmensdaten.
Ein entscheidender Erfolgsfaktor ist Evaluation. Kurse behandeln Testdatensätze, Golden Sets, automatische Metriken, Human-in-the-Loop, A/B-Tests sowie Regressionstests für Prompts, Modelle und Retrieval. Damit lassen sich Qualität, Sicherheit und Konsistenz über Releases hinweg messen. Ergänzend lernst du Monitoring und Observability: Latenz, Kosten pro Anfrage, Token-Budgets, Fehlerklassen, Drift, Nutzerfeedback und Incident-Prozesse.
Für Teams, die LLMs in Produkte bringen, sind außerdem Modellwahl und Betrieb entscheidend: Open-Source vs. proprietäre Modelle, On-Premises vs. Cloud, Caching, Batch-Inferenz, Rate-Limits und Governance. Diese Weiterbildungen helfen dir, aus einem Demo-Chatbot eine belastbare Lösung zu machen, die in Support, Wissensmanagement, Softwareentwicklung oder Fachabteilungen echte Ergebnisse liefert.
