Agentic AI Engineer (IHK): Eigene KI-Agenten entwickeln und produktiv einsetzen
Veranstaltungsdetails
KIAGEOT26_13
KI-Agenten revolutionieren die Automatisierung von Geschäftsprozessen. In diesem praxisnahen Kurs lernst du die Grundlagen von Deep Learning, generativer KI und Large Language Models kennen und entwickelst eigene Multi-Agentensysteme mit Python. Anhand konkreter Anwendungsfälle erfährst du, wie KI-Agenten Dokumente verarbeiten, Workflows automatisieren und Unternehmen bei der digitalen Transformation unterstützen.
Zielgruppe
Fach- und IT-Experten, Projektleitende sowie Unternehmer und Führungskräfte, die KI-Agenten verstehen, bewerten und produktiv in ihrem beruflichen Umfeld einsetzen möchten
Inhalt
Modul 1: Grundlagen der generativen KI
- Begriffsdefinitionen: Neuronale Netze, generative KI, Agent, agentische KI, Multi-Agentensysteme
- Evolution der KI: Klassische KI, Deep Learning, Large Language Models, agentenbasierte KI
- Motivation für Unternehmen, agentische KI einzusetzen
- Überblick über Deep-Learning-Ansätze und Netzarchitekturen im Bereich der generativen KI:
CNNs, RNNs, Transformer, Vision Transformer
- Token und Tokenisierung, Kontextfenster
- Überblick über Lernparadigmen des maschinellen Lernens
- Modellierungsansätze mit Deep-Learning-Methoden: Klassifikation, Regression, Text-zu-Bild-,
Bild-zu-Text-, Text-zu-Text-Transformation etc.
- Generative Ansätze zur Bildgenerierung mit CNNs und Vision Transformern
- Generative Ansätze zur Textgenerierung mit Large Language Models (LLMs)
- Programmierung Best Practices; KI-Assistenten für die Softwareentwicklung: GitHub Copilot,
GitHub Copilot CLI, Claude Code, OpenAI Codex; Verwendung von Softwarewerkzeugen und APIs
Modul 2: Einsatz und Anwendung von Large Language Models
- Plattformen, Softwarewerkzeuge und Frameworks: Microsoft Azure / IBM Watson / AWS /
Google Cloud, HuggingFace, LlamaIndex, Ollama, LangChain
- Verwendung vortrainierter LLMs in Python
- LLMs als Reasoning Engines: Prompting, Chain-of-Thought, ReAct, werkzeuggestütztes Schließen
- Techniken der Kontextualisierung bei LLMs
- Speichersysteme für LLMs: Vektordatenbanken, Retrieval-Augmented-Generation-(RAG-)Ansätze
Modul 3: Grundlagen agentenbasierter KI-Systeme
- Kognitive Architektur von KI-Agenten, modulare Entwurfsmuster und Softwarearchitekturen
- Dekomposition von Aufgaben, Planung und Entscheidungsfindung
- Model Context Protocol (MCP), Agent2Agent Protocol (A2A)
- Multi-Agentensysteme
- Agenten mit angepassten, spezialisierten Modellen: Fine-tuning, Training lokaler Modelle
- Sicherheitsmechanismen: Human-in-the-loop-Design, Fehlermöglichkeiten, Richtlinien, digitale
Souveränität
- Regulatorik: EU AI Act, DSGVO-Compliance bei KI-Agenten
- Prompt Injection / Angriffsvektoren auf Agenten
Modul 4: Praktische Anwendungen und Entwicklung eigener KI-Agenten
- Methoden zur Identifizierung geeigneter Anwendungsfälle für KI-Agenten
- Betriebswirtschaftliche Bewertung des Einsatzes von KI-Agenten in Unternehmen
- Agent Engineering
- Agenten für Information Retrieval: Parsing von Dokumenten, textbasierte Zusammenfassungen,
intelligente Suchfunktionen
- Agenten für die Datenverarbeitung und -analyse
- Agenten für Automatisierung und Orchestrierung von Softwareprozessen: Workflow-
Automatisierung, Integration in Task Scheduler und CI/CD-Pipelines
- Agenten und Anwendungsbeispiele der industriellen Fertigung
- Agenten zur Automatisierung alltäglicher To-dos und Lösung beruflicher Problemstellungen
- Entwicklung und Programmierung eigener KI-Agenten
- KI-Transformation in Unternehmen: Von der Pilotphase zur unternehmensweiten Skalierung
Zusätzliche Übungen im Selbststudium (ca. 14 Unterrichtseinheiten).
Voraussetzungen
Solide Programmierkompetenzen mit Python (Objekt. Programmierung, Erfahrung mit Libraries)
KI-Agenten revolutionieren die Automatisierung von Geschäftsprozessen. In diesem praxisnahen Kurs lernst du die Grundlagen von Deep Learning, generativer KI und Large Language Models kennen und entwickelst eigene Multi-Agentensysteme mit Python. Anhand konkreter Anwendungsfälle erfährst du, wie KI-Agenten Dokumente verarbeiten, Workflows automatisieren und Unternehmen bei der digitalen Transformation unterstützen.
Zielgruppe
Fach- und IT-Experten, Projektleitende sowie Unternehmer und Führungskräfte, die KI-Agenten verstehen, bewerten und produktiv in ihrem beruflichen Umfeld einsetzen möchten
Inhalt
Modul 1: Grundlagen der generativen KI
- Begriffsdefinitionen: Neuronale Netze, generative KI, Agent, agentische KI, Multi-Agentensysteme
- Evolution der KI: Klassische KI, Deep Learning, Large Language Models, agentenbasierte KI
- Motivation für Unternehmen, agentische KI einzusetzen
- Überblick über Deep-Learning-Ansätze und Netzarchitekturen im Bereich der generativen KI:
CNNs, RNNs, Transformer, Vision Transformer
- Token und Tokenisierung, Kontextfenster
- Überblick über Lernparadigmen des maschinellen Lernens
- Modellierungsansätze mit Deep-Learning-Methoden: Klassifikation, Regression, Text-zu-Bild-,
Bild-zu-Text-, Text-zu-Text-Transformation etc.
- Generative Ansätze zur Bildgenerierung mit CNNs und Vision Transformern
- Generative Ansätze zur Textgenerierung mit Large Language Models (LLMs)
- Programmierung Best Practices; KI-Assistenten für die Softwareentwicklung: GitHub Copilot,
GitHub Copilot CLI, Claude Code, OpenAI Codex; Verwendung von Softwarewerkzeugen und APIs
Modul 2: Einsatz und Anwendung von Large Language Models
- Plattformen, Softwarewerkzeuge und Frameworks: Microsoft Azure / IBM Watson / AWS /
Google Cloud, HuggingFace, LlamaIndex, Ollama, LangChain
- Verwendung vortrainierter LLMs in Python
- LLMs als Reasoning Engines: Prompting, Chain-of-Thought, ReAct, werkzeuggestütztes Schließen
- Techniken der Kontextualisierung bei LLMs
- Speichersysteme für LLMs: Vektordatenbanken, Retrieval-Augmented-Generation-(RAG-)Ansätze
Modul 3: Grundlagen agentenbasierter KI-Systeme
- Kognitive Architektur von KI-Agenten, modulare Entwurfsmuster und Softwarearchitekturen
- Dekomposition von Aufgaben, Planung und Entscheidungsfindung
- Model Context Protocol (MCP), Agent2Agent Protocol (A2A)
- Multi-Agentensysteme
- Agenten mit angepassten, spezialisierten Modellen: Fine-tuning, Training lokaler Modelle
- Sicherheitsmechanismen: Human-in-the-loop-Design, Fehlermöglichkeiten, Richtlinien, digitale
Souveränität
- Regulatorik: EU AI Act, DSGVO-Compliance bei KI-Agenten
- Prompt Injection / Angriffsvektoren auf Agenten
Modul 4: Praktische Anwendungen und Entwicklung eigener KI-Agenten
- Methoden zur Identifizierung geeigneter Anwendungsfälle für KI-Agenten
- Betriebswirtschaftliche Bewertung des Einsatzes von KI-Agenten in Unternehmen
- Agent Engineering
- Agenten für Information Retrieval: Parsing von Dokumenten, textbasierte Zusammenfassungen,
intelligente Suchfunktionen
- Agenten für die Datenverarbeitung und -analyse
- Agenten für Automatisierung und Orchestrierung von Softwareprozessen: Workflow-
Automatisierung, Integration in Task Scheduler und CI/CD-Pipelines
- Agenten und Anwendungsbeispiele der industriellen Fertigung
- Agenten zur Automatisierung alltäglicher To-dos und Lösung beruflicher Problemstellungen
- Entwicklung und Programmierung eigener KI-Agenten
- KI-Transformation in Unternehmen: Von der Pilotphase zur unternehmensweiten Skalierung
Zusätzliche Übungen im Selbststudium (ca. 14 Unterrichtseinheiten).
Voraussetzungen
Solide Programmierkompetenzen mit Python (Objekt. Programmierung, Erfahrung mit Libraries)