Konzept-Guide

Konzept-Guides für Zertifizierungen

Prüfungskonzepte, erklärt mit 3D-Grafiken und Beispielen – mit Fokus darauf, was die richtige Antwort von den falschen unterscheidet.

• Prompt-Engineering-TechnikenWie Zero-Shot, Few-Shot, Chain-of-Thought, Negativ-Prompts und Templates die Ausgabe eines Modells verändern – und welche Angriffe auf Prompts zielen.
• Retrieval-Augmented Generation (RAG)Wie ein Modell aus Dokumenten antwortet, die es nie gesehen hat: Chunking, Embeddings, Vektorsuche, Grounding, eine aktuelle Wissensdatenbank, Evaluierung und wann RAG statt Fine-Tuning die richtige Wahl ist.
• Wie große Sprachmodelle (LLMs) funktionierenWie ein LLM Text erzeugt, Schritt für Schritt: Vorhersage des nächsten Tokens, Tokens, Embeddings, Transformer und Attention, Training, Temperatur und Top-p sowie das Kontextfenster.
• Fine-TuningEin vortrainiertes Modell mit eigenen Daten weitertrainieren: Daten vorbereiten, Epochen, Lernrate und Overfitting, PEFT und LoRA, fortgesetztes Pre-Training, Instruction-Tuning, Präferenz-Tuning, Wissensdestillation, katastrophales Vergessen und wann Fine-Tuning die richtige Wahl ist.
• Bewertungsmetriken für KI-ModelleWie du erkennst, ob ein Modell gut genug ist: die Accuracy-Falle, Konfusionsmatrix, Precision, Recall und F1, ROC-Kurve und AUC, MAE und RMSE, BLEU, ROUGE und semantische Ähnlichkeit, LLM-as-a-Judge mit Faithfulness und Relevanz sowie A/B-Tests mit Business-Metriken.
• Grundlagen des maschinellen LernensWie KI, maschinelles Lernen und Deep Learning zusammenhängen, Merkmale und Labels, Trainings-, Validierungs- und Testdaten, überwachtes, unüberwachtes und bestärkendes Lernen, Entscheidungsbäume und gängige Algorithmen, Über- und Unteranpassung, Gradientenabstieg und Hyperparameter sowie Datenvorbereitung.
• KI-AgentenKI-Agenten gehen über den Chatbot hinaus, der nur antwortet: Sie planen und nutzen Tools, um Aufgaben zu erledigen. Function Calling, ReAct und Planung, Kurzzeit- und Langzeitgedächtnis, Multi-Agenten-Systeme und Orchestrierung, MCP und A2A sowie Schutzmechanismen wie Least Privilege und menschliche Freigabe.
• Halluzinationen und GuardrailsWarum generative KI halluziniert und wie du das verringerst – plus Guardrails, die schädliche Anfragen und Antworten stoppen: Eingabe- und Ausgabeprüfung, Inhaltsfilter und ihre Stärke, PII-Maskierung und Red Teaming.
• Verantwortungsvolle KIDie Prinzipien verantwortungsvoller KI und wie man sie in die Praxis umsetzt: Bias aus den Daten, Fairness-Metriken und die Vier-Fünftel-Regel, Erklärbarkeit mit SHAP und LIME, Modellkarten, KI-Governance und risikobasierte Regulierung.
• MLOps (Betrieb von ML-Modellen)MLOps: der ML-Lebenszyklus, Pipelines und Reproduzierbarkeit, Modell-Registry, Batch- und Echtzeit-Inferenz mit Canary-, Shadow- und Blue/Green-Deployment, Drift-Monitoring, Strategien fürs Neutrainieren, Training-Serving-Skew und Feature Stores sowie der Betrieb von LLM-Diensten.