Qualifizierungsangebote für KI-Umsetzer*innen
Kostenfrei, webbasiert und von unseren KI-Manager*innen kuratiert.
KI-Kompetenzen für Entwickler*innen und andere technische Rollen im operativen und strategischen Bereich
Unter diese Zielgruppe fällt eine Vielzahl unterschiedlicher Rollen, die mit der Entwicklung und Einführung von KI-Systemen im Unternehmenskontext betraut sind. Umsetzer*innen entwickeln KI-Tools, flankieren Daten- und KI-Strategien und halten KI-Lösungen operativ im Einsatz. Sie bringen tiefgehende technische Kenntnisse mit, betreiben Machine Learning Operations (MLOps), bewerten Modelle und sichern Qualität und Dokumentation. Umfang und Tiefe der benötigten Kompetenzen sind hochgradig individuell und dynamisch. Im KI.KompetenzNavi listen wir nur eine Auswahl von möglichen Einstiegs- bzw. Quereinstiegsangeboten.
Welche Kompetenzen werden vermittelt?
- Klassische ML-Algorithmen, z. B. Regression, kNN, SVM, Random Forest, k-means, DBSCAN, PCA
- Klassische Deep-Learning-Verfahren, z. B. Transformer, CNNs, GNNs, Autoencoder für Anomalieerkennung
- Grundlagen Software-Engineering, z. B. Clean Code, Testing, API-Design, Git, Poetry/Conda
- Grundlagen in Mathe und Statistik, z. B. Verteilungen, Bayes-Statistik Gradientenverfahren
- Fortgeschrittene Kenntnisse, um Sprachmodelle mit dynamischen, internen Datenquellen zu verbinden, z. B. Frameworks für RAG und Vektordatenbanken, Strategien für Chunking und Embedding-Modelle
- Anwendung wichtiger Bibliotheken und Frameworks zur Integration von Sprachmodellen, z. B. LangChain, Hugging Face Transformers, Ollama
- Anwendung wichtiger Frameworks für agentische Workflows, z. B. LangGraph, CrewAI, Haystack
- Grundlagen zu Optimierungsmöglichkeiten von Sprachmodellen, z. B. Quantisierung, Pruning, LoRA fine-tuning, Mixture of Experts, Edge AI
- Anwendung wichtiger ML-Bibliotheken, z. B. Scikit-Learn, XGBoost, spaCy
- Anwendung wichtiger Deep-Learning- und Computer-Vision-Bibliotheken, z. B. PyTorch, TensorFlow, Keras
- Grundlagen MLOps, z. B. Automatisierung des ML-Lebenszyklus, CI/CD-Pipelines, Modellversionierung, Überwachung von Data Drift
- Hardwarebedarf und Kosten auf Grundlage der Anwendungsfälle ableiten
- Auswahl und Konfiguration der passenden Hardware, z. B. Private Cloud vs. Public Cloud vs. On premise
- Aufbau von modularen und skalierbaren Umgebungen, z. B. Orchestrierung von KI-Microservices mit Kubernetes
- Management von Systemen und Computer-Clustern
- Härtung und Absicherung von KI-Systemen über den gesamten Lebenszyklus, z. B. Abwehr von Prompt Injections durch Guardrails, Schutz vor Evasion Attacks und Model Extraction sowie Sicherstellung der Datenintegrität gegen Poisoning-Angriffe
- Überblick über Möglichkeiten zur Ausgestaltung sicherer und fairer KI-Lösungen, z. B. Explainable AI, Echtzeit-Analyse von Bias in den Outputs, Identifikation von Triggern für systemische Halluzinationen, automatisierte Malware-Scans von Modellcontainern
- Fundierte Kenntnisse der Datenaufbereitung, z. B. effiziente Bereinigung und Transformation komplexer Datensätze, Umgang mit fehlenden Werten und Imbalance-Problemen, Generierung von synthetischen Trainingsdaten zur Modellverbesserung
- Grundlagen des Feature Engineerings, z. B. Merkmalauswahl, Merkmalskalierung, Merkmal-Encoding)
- Fundierte Kenntnisse im modernen Datenmanagement, z. B. Datenmanagementsysteme, Betrieb von Data-Lakehouse-Umgebungen, ETL-Prozesse, Data Lifecycle Management, Data Lineage zur Einhaltung regulatorischer Standards
- KI-Umsetzung und Rechtesituation, z. B. rechtliche Rahmenbedingungen rund um die KI-Entwicklung, insbesondere EU AI Act, DSGVO, Nutzungsrichtlinien der Toolanbieter bei hybriden Systemen und weitere Rechtsgebiete je nach Relevanz, wie branchenspezifische Regulierung, Produkthaftungs-, Urheber- und Lizenzrecht etc.
- Identifikation, Bewertung und Dokumentation gemäß EU AI Act, z. B. Risikokategorie und dokumentierte Einhaltung von Pflichten
- Fortgeschrittene Kenntnisse im Bereich Vertrauenswürdigkeit, z. B. Festlegung von KI-Prüfkriterien für die entwickelte Lösung und Definition von KI-Mindestqualitätsstandards; Auswahl eines passenden KI-Risikobewertungsframeworks; Etablierung automatisierter KI-Prüfworkflows; Erstellung von Prüfberichten
- Lizenzmanagement, z. B. Prüfung und Einhaltung von Modelllizenzen, Sicherstellung der Rechtssicherheit von Open-Source-Komponenten
Qualifizierungsangebote für KI-Umsetzer*innen
Im Folgenden finden Sie eine Auswahl kostenfreier, webbasierter Qualifizierungsangebote, die von den KI-Manager*innen sorgfältig zusammengestellt wurden. Die Liste ist bei weitem nicht vollständig, bietet jedoch eine solide erste Orientierung.
Kurs-Inhalte
Modul 1: Einführung in Datenanalyse (CRISP-DM) und in das Praxisprojekt
Modul 2: Datenbereinigung, Merkmalauswahl, One-Hot-Encoding, Train/test Splits
Modul 3: Datenvorbereitung, Standardisierung, Normalisierung
Modul 4: Überwachtes Lernen mit Python (Klassifikationsmodelle erstellen und interpretieren, kNN, SVM, Random Forest)
Modul 5: Überwachtes Lernen mit Python (Eindimensionale und mehrdimensionale lineare Regressionen durchführen)
Modul 6: Unüberwachtes Lernen mit Python (k-means, Ellenbogenmethode)
Modul 7: Unüberwachtes Lernen mit Python (Clusteranalyse mit DBSCAN, Assoziationsanalyse, Apriori-Algorithmus)
Modul 8: Zusammenfassung und themenübergreifende Bausteine (Datenethik, Datenschutz, Gelingensbedingungen)
Unsere KI-Manager*innen sagen dazu:
Dieser hervorragende Kurs legt das methodische Fundament für Datenanalyse und Maschinelles Lernen. Die relevanten Grundlagen werden anhand echter Datensätze, vorbereitetem Python-Code (Jupyter-Notebooks) und animierter Videos praxisorientiert vermittelt. Nach dem Kurs können Datensätze exploriert, vorbereitet und visualisiert sowie Klassifizierungen und Vorhersagen erstellt werden. Algorithmische und mathematische Vorkenntnisse sind von Vorteil, aber nicht notwendig. Der Kurs ist zwar etwas älter, aber für die Grundlagen weiterhin relevant.
Kurs-Inhalte
Grundlagen großer Sprachmodelle (LLMs), Konfabulationen verstehen und vermeiden, praktisches Prompt Engineering, Docker-Containerisierung und Einrichtung von OpenWebUI, Anbindung verschiedener Sprachmodelle über OpenRouter
Retrieval-Augmented Generation (RAG) zur Integration eigener Dokumente, Model Context Protocol (MCP) für die Verbindung mit bestehenden Arbeitsprogrammen, praktische Umsetzung eines intelligenten Arbeitsassistenten
Unsere KI-Manager*innen sagen dazu:
Solide Schritt-für-Schritt-Anleitung zum Aufbau eines eigenen KI-Chatbots mit RAG-System. Auch für Nicht-Techies nachvollziehbar, in der Tiefe ist es aber von Vorteil, wenn IT-Kenntnisse und eine gute Hardware vorhanden sind. Wer den Use Case für den KI-Chatbot bereits im Vorfeld definiert hat, kann mit praxisnahen Beispielen lernen und so schrittweise einen Proof of Concept aufsetzen. Der Kurs zeigt viele Varianten auf, wie man sich seiner eigenen Lösung nähern kann.
Kurs-Inhalte
Englischsprachige Kursmodule:
Modul 1: Die ökonomische und strategische Wirkung von KI (Einführung in profitable KI-Projekte; AI Hype und Enttäuschung; Herausforderungen; Data Lifecycle; Retrun on Investment bei Daten und KI; Data Breaches; Datenstrategie; Use Cases für Cost Leadership Strategies; Use Cases für Differenzierungs- und Fokusstrategie; Innovationsstrategie und Positionierung im Wetttbewerb)
Modul 2: Organisationsentwicklung und KI-Einführung (Organisationsstrukturen; Operations; Skalierbare KI und MLOps-Reife; Use-Case-Design; Infrastruktur und Datenqualität; Data Literacy und Datenqualität; ROI Security; Algorithmische Biases und Governance; Generative KI)
Unsere KI-Manager*innen sagen dazu:
Anspruchsvolle Trainingsinhalte rund um die strategische Verankerung von KI-Projekten in Organisationen – mit einem Fokus auf Daten und ihre Bewertung im ersten Modul (z. B. Datenstrategie, Bewertung von Daten, Data Lifecycle, Return on Investment von Daten etc.). Modul 2 geht auf Use-Case-Findung, DevOps / DataOps / MLOps, Infrastrukturfragen ein. Vergleichsweise theorielastig, dicht im Inhalt, sehr ausführlich im Bereich Daten.
Kurs-Inhalte
Behandelt werden u. a. Big Data, Overfitting, Lernprozess, Aktivierungsfunktionen, Reinforcement Learning und alle wichtigen Typen Neuronaler Netze. Der Fokus liegt auf einem konzeptionellen Verständnis für Neuronale Netze, nicht auf der Anwendung.
Unsere KI-Manager*innen sagen dazu:
Der Kurs ist vor allem für diejenigen empfehlenswert, die ein stabiles theoretisches Fundament suchen und verstehen wollen, was unter der Haube von Deep Learning eigentlich passiert, ohne dabei direkt in Python-Code und lange Formeln zu versinken. Der Einstieg ist verglichen mit anderen Kursen niedrigschwellig, da der Fokus auf dem konzeptionellen Verständnis liegt und nur die mathematischen Grundlagen vermittelt werden, die zum Verständnis notwendig sind. Die praktische Anwendung im Deep Learning Studio ist veraltet und sollte bei Bedarf durch einen separaten Kurs ergänzt werden, der sich auf die Anwendung in Python konzentriert.
Kurs-Inhalte
Englischsprachige Vorlesungsreihe im YouTube-Kanal der Visual Computing Group der TUM mit Begleitmaterial unter https://cvg.cit.tum.de/teaching/ws2024/i2dl
Inhalte: ML Basics, Neuronale Netze, Optimization and Backpropagation, Scaling Optimization
Unsere KI-Manager*innen sagen dazu:
Wer universitäre Vorlesungsreihen nicht scheut, wird hier eine Einführung in komplexe Themen wie Backpropagation, CNNs, RNNs oder Architekturen wie Transformer finden. Das Kursformat ist zwar optisch nicht besonders modern, die didaktische Struktur ist aber solide. Trotz ihrer Tiefe sind die Erklärungen erstaunlich zugänglich. Die Vorlesung setzt mathematische Grundlagen in linearer Algebra sowie Phython-Kenntnisse voraus. Als reguläre Lehrveranstaltung an der TUM erfordern die Kursinhalte deutlich mehr Zeit und Disziplin als andere Einführungskurse. Ein Herzstück dabei sind die Tutorien, die umfangreich durch die praktische Anwendung mit Python führen.
Kurs-Inhalte
Modul 1: Einführung in Machine Learning, Lernarten (überwacht, unüberwacht, bestärkend) und grundlegender Modellierungsprozess von Datenaufbereitung bis Evaluation
Modul 2: Wahrscheinlichkeitsdichteschätzung zur Analyse von Datenstrukturen (parametrische und nicht‑parametrische Methoden)
Modul 3: Lineare Diskriminanzverfahren für Klassifikation, Entscheidungsgrenzen, Least-Squares-Ansätze und Umgang mit nichtlinear trennbaren Daten
Modul 4: Lineare Regression (einfach & multipel), Kleinste-Quadrate-Schätzung und Regularisierung gegen Overfitting
Modul 5: Logistische Regression für binäre Klassifikation, Optimierungsverfahren, Regularisierung und Zusammenhang generativer vs. diskriminativer Modelle
Modul 6: Support Vector Machines (SVM), Margin-Maximierung, Kernel-Tricks und praktische Implementierung
Modul 7: Ensemble-Methoden zur Leistungssteigerung, u. a. Bagging, Boosting und AdaBoost
Modul 8: Grundlagen neuronaler Netze und Deep Learning: künstliche Neuronen, Feedforward-Netze und Backpropagation
Unsere KI-Manager*innen sagen dazu:
Im beschänkten Audit-Modus (ohne Zertifikat) lässt sich der Kurs kostenlos absolvieren. Das Schulungsangebot ist eher funktional gestaltet und wird zudem auf Englisch gehalten, ist aber inhaltlich von guter Qualität. Es ist geeignet für alle, die Maschinelles Lernen nicht nur als Black Box bedienen, sondern die Mechanik dahinter wirklich meistern wollen. Die konzeptionellen Grundlagen und mathematischen Hintergründe werden ausführlich behandelt. Auch die praktische Anwendung mit Python-Aufgaben ist ausführlich und führt tief in die Materie.
Nehmen Sie Kontakt mit uns auf!
Julian Fenten
Transfermanagement
Kompetenzplattform KI.NRW
info-kinrw@iais.fraunhofer.de
Ihre Empfehlung für ein Qualifizierungsangebot
Sie möchten uns gerne auf einen sehr empfehlenswerten, kostenfreien und webbasierten Kurs hinweisen, der in unserer Liste fehlt? Dann schreiben Sie uns bitte eine Nachricht.