Ihr Weg zu praktischer KI-Kompetenz

Große Sprachmodelle verändern, wie wir arbeiten. Aber zwischen Schlagzeilen und echtem Können liegt ein Weg. Unser Programm startet im Oktober 2025 und bringt Sie vom ersten Prompt bis zur eigenständigen Entwicklung.

Keine Garantien, keine Versprechen über schnellen Erfolg. Stattdessen: strukturiertes Lernen, klare Meilensteine und kontinuierliche Begleitung durch erfahrene Entwickler.

Mehr erfahren

Teilnehmer beim gemeinsamen Arbeiten an KI-Projekten

Fünf Stufen vom Anfang bis zur Anwendung

Das Programm dauert neun Monate. Jede Phase baut auf der vorherigen auf. Sie bestimmen das Tempo, aber die Struktur gibt Ihnen Orientierung.

Grundlagen verstehen

Hier geht's los. Was sind große Sprachmodelle eigentlich? Wie funktionieren sie unter der Haube? In den ersten sechs Wochen beschäftigen Sie sich mit Konzepten wie Tokenisierung, Attention-Mechanismen und Training.

Architektur von Transformer-Modellen nachvollziehen
Unterschiede zwischen GPT, BERT und anderen Ansätzen kennen
Erste Experimente mit öffentlichen APIs durchführen

Prompt Engineering beherrschen

Gute Prompts zu schreiben ist mehr als nur höflich fragen. Sie lernen systematische Techniken: Few-Shot-Learning, Chain-of-Thought, Rollenbasierte Anfragen. Acht Wochen voller Übungen und direktem Feedback.

Präzise Anweisungen formulieren, die konsistente Ergebnisse liefern
Kontextfenster optimal nutzen ohne wichtige Infos zu verlieren
Häufige Fehler erkennen und vermeiden lernen

APIs und Integration

Jetzt wird's technisch. Sie verbinden Modelle mit echter Software. REST-APIs, Authentifizierung, Fehlerbehandlung. Zehn Wochen, in denen Sie lernen, wie man LLMs in bestehende Systeme einbaut.

Mit verschiedenen Anbietern arbeiten: OpenAI, Anthropic, lokale Modelle
Streaming-Responses implementieren für bessere User Experience
Kosten im Blick behalten und effizient mit Tokens umgehen

Fine-Tuning und Anpassung

Standard-Modelle sind gut, aber manchmal braucht man mehr. Diese neun Wochen zeigen Ihnen, wie Sie Modelle für spezifische Anwendungsfälle trainieren. Datenaufbereitung, Hyperparameter-Tuning, Evaluierung.

Eigene Trainingsdaten vorbereiten und bereinigen
Transfer Learning nutzen um Zeit und Ressourcen zu sparen
Modell-Performance objektiv messen und verbessern

Projekt und Abschluss

Die letzten acht Wochen gehören Ihrem eigenen Projekt. Sie entwickeln eine Anwendung von Grund auf. Wir begleiten Sie, geben Feedback, helfen bei Problemen. Am Ende präsentieren Sie Ihre Arbeit.

Projektplanung von der Idee bis zur Umsetzung
Echte Herausforderungen meistern: Skalierung, Sicherheit, Monitoring
Code-Reviews und konstruktive Kritik von erfahrenen Entwicklern

Zwei Wege, ein Ziel erreicht

Diese beiden Teilnehmer haben unser Programm 2024 absolviert. Ihre Ausgangssituationen waren komplett unterschiedlich. Aber beide haben durchgehalten und können jetzt mit LLMs arbeiten.

Anneliese Fähndrich

Von Projektleitung zu AI Engineering

Der Anfang

Anneliese hatte jahrelang Software-Projekte geleitet, aber nie selbst programmiert. Sie wollte verstehen, wovon ihre Entwickler sprachen. Die ersten Wochen waren hart – Python war komplett neu für sie.

Der Durchbruch

In der dritten Phase, bei der API-Integration, klickte es. Sie baute einen Chatbot für interne Dokumentation. Plötzlich ergab alles Sinn. Die Theorie wurde praktisch nutzbar.

Heute

Sie koordiniert jetzt KI-Projekte in ihrem Unternehmen. Nicht als reine Managerin, sondern mit echtem technischen Verständnis. Kann Code lesen, Probleme einschätzen, realistische Zeitpläne erstellen.

Torben Waldherr

Backend-Entwickler erweitert Skillset

Die Ausgangslage

Torben entwickelte seit Jahren klassische REST-APIs. Solide, zuverlässig, bewährt. Aber er merkte: Kunden fragten immer öfter nach KI-Features. Er wollte nicht zurückbleiben.

Die Herausforderung

Fine-Tuning war sein Stolperstein. Die statistischen Konzepte waren ungewohnt. Deterministische Logik war sein Ding, nicht probabilistische Modelle. Er brauchte mehrere Anläufe.

Das Ergebnis

Sein Abschlussprojekt war ein Dokumentationsassistent für Legacy-Code. Er kombinierte sein bestehendes Wissen mit neuen KI-Fähigkeiten. Bekam dadurch einen besseren Job mit mehr Verantwortung.