Agentic AI Expert (IHK) - Vollzeit
Veranstaltungsdetails
KIAGEOV26_01
KI-Agenten sind der nächste große Schritt in der Automatisierung von Geschäftsprozessen und Arbeitsabläufen in Industrieunternehmen. In diesem praxisorientierten Kurs erwerben Sie das notwendige Grundlagenwissen, um moderne agentenbasierte KI-Systeme zu verstehen, gezielt einzusetzen und eigene Multi-Agentensysteme mit der Programmiersprache Python zu entwickeln. Dieser Kurs vermittelt die zentralen Deep Learning Konzepte sowie die Grundlagen generativer KI, welche in modernen KI-Agenten eingesetzt werden.
Die Teilnehmenden lernen, Large Language Models optimiert und gezielt für verschiedene Aufgabenstellungen einzusetzen. Sie erarbeiten sich Schritt für Schritt die Architekturen und Funktionsweisen leistungsfähiger Multi-Agentensysteme.
Neben methodischen Grundlagen stehen konkrete Anwendungsfälle aus dem Berufsalltag im Fokus - von der intelligenten Dokumentenverarbeitung über die Automatisierung von Workflows bis hin zur Entwicklung eigener Multi-Agentensysteme. Zudem werden relevante Sicherheitsmechanismen für KI-Agenten vorgestellt und die KI-Transformation in Unternehmen thematisiert - von der Pilotphase bis zur skalierbaren Einführung agentischer KI-Systeme im Arbeitsalltag.
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 Modelle - agentenbasierte KI
- Motivation für Unternehmen agentischeKI einzusetzen
- Überblick über Deep Learning Ansätze und Netzarchitekturen im Bereich der generativen KI:
Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Transformer, Vision Transformer
- Überblick über Lernparadigmen im Bereich des maschinellen Lernens
- Überblick über Modellierungsansätze mit Deep Learning Methoden:
Klassifikation, Regression, Text-zu-Bild Transformation, Bild-zu-Text Transformation, Text-zu-Text Transformation, etc.
- Generative Ansätze zur Bildgenerierung mit CNNs und Vision Transformer
- 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 Modellen
- Vorstellung und Einführung in existierende Plattformen, Softwarewerkzeuge und Softwareframeworks:
Microsoft Azure/IBM Watson/AWS/Google Cloud, HuggingFace, LlamaIndex, Ollama, LangChain
- Verwendung von vortrainierten LLMs in Python
- LLMs als ReasoningEngines: Prompting, Chain-of-Thoughts, ReAct, Werkzeuggestütztes Schließen
- Techniken der Kontextualisierung bei LLMs
- Speichersysteme für LLMs: Vector Datenbanken, Retrieval-augmentedgeneration(RAG) Ansätze
Modul 3: Grundlagen agentenbasierter KI-Systeme
- Kognitive Architektur von KI-Agenten, modulare Entwurfsmuster und Softwarearchitekturen für agentenbasierte KI-Systeme
- Dekomposition von Aufgaben, Planung von Aufgaben und Entscheidungsfindung
- Model ContextProtocol (MCP), Agent2Agent Protocol (A2A)
- Multi-Agentensysteme
- Agenten mit angepassten, spezialisierten Modellen: Fine-tuning, Training von lokalen Modellen
- Sicherheitsmechanismen: Human-in-the-loop Design, Fehlermöglichkeiten, Richtlinien, digitale Souveränität
Modul 4: Praktische Anwendungen und Entwicklung eigener KI-Agenten
- Methoden und Vorgehensweise zur Identifizierung von geeigneten Anwendungsfällen für KI-Agenten
- Betriebswirtschaftliche Bewertung des Einsatzes von KI-Agenten in Unternehmen
- Agent Engineering
- Agenten für Information Retrieval:
Parsingvon Dokumenten, Textbasierte Zusammenfassungen, intelligente Suchfunktionen
- Agenten für die Datenverarbeitung und -analyse
- Agenten für Automatisierung und Orchestrierung von Softwareprozessen: Workflow Automatisierung, Integration in Task Schedulers und CI/CD Pipelines
- Agenten und Anwendungsbeispiele der industriellen Fertigung
- Agenten zur Automatisierung von alltäglichen Todos und Lösung von beruflichen 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 sind der nächste große Schritt in der Automatisierung von Geschäftsprozessen und Arbeitsabläufen in Industrieunternehmen. In diesem praxisorientierten Kurs erwerben Sie das notwendige Grundlagenwissen, um moderne agentenbasierte KI-Systeme zu verstehen, gezielt einzusetzen und eigene Multi-Agentensysteme mit der Programmiersprache Python zu entwickeln. Dieser Kurs vermittelt die zentralen Deep Learning Konzepte sowie die Grundlagen generativer KI, welche in modernen KI-Agenten eingesetzt werden.
Die Teilnehmenden lernen, Large Language Models optimiert und gezielt für verschiedene Aufgabenstellungen einzusetzen. Sie erarbeiten sich Schritt für Schritt die Architekturen und Funktionsweisen leistungsfähiger Multi-Agentensysteme.
Neben methodischen Grundlagen stehen konkrete Anwendungsfälle aus dem Berufsalltag im Fokus - von der intelligenten Dokumentenverarbeitung über die Automatisierung von Workflows bis hin zur Entwicklung eigener Multi-Agentensysteme. Zudem werden relevante Sicherheitsmechanismen für KI-Agenten vorgestellt und die KI-Transformation in Unternehmen thematisiert - von der Pilotphase bis zur skalierbaren Einführung agentischer KI-Systeme im Arbeitsalltag.
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 Modelle - agentenbasierte KI
- Motivation für Unternehmen agentischeKI einzusetzen
- Überblick über Deep Learning Ansätze und Netzarchitekturen im Bereich der generativen KI:
Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Transformer, Vision Transformer
- Überblick über Lernparadigmen im Bereich des maschinellen Lernens
- Überblick über Modellierungsansätze mit Deep Learning Methoden:
Klassifikation, Regression, Text-zu-Bild Transformation, Bild-zu-Text Transformation, Text-zu-Text Transformation, etc.
- Generative Ansätze zur Bildgenerierung mit CNNs und Vision Transformer
- 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 Modellen
- Vorstellung und Einführung in existierende Plattformen, Softwarewerkzeuge und Softwareframeworks:
Microsoft Azure/IBM Watson/AWS/Google Cloud, HuggingFace, LlamaIndex, Ollama, LangChain
- Verwendung von vortrainierten LLMs in Python
- LLMs als ReasoningEngines: Prompting, Chain-of-Thoughts, ReAct, Werkzeuggestütztes Schließen
- Techniken der Kontextualisierung bei LLMs
- Speichersysteme für LLMs: Vector Datenbanken, Retrieval-augmentedgeneration(RAG) Ansätze
Modul 3: Grundlagen agentenbasierter KI-Systeme
- Kognitive Architektur von KI-Agenten, modulare Entwurfsmuster und Softwarearchitekturen für agentenbasierte KI-Systeme
- Dekomposition von Aufgaben, Planung von Aufgaben und Entscheidungsfindung
- Model ContextProtocol (MCP), Agent2Agent Protocol (A2A)
- Multi-Agentensysteme
- Agenten mit angepassten, spezialisierten Modellen: Fine-tuning, Training von lokalen Modellen
- Sicherheitsmechanismen: Human-in-the-loop Design, Fehlermöglichkeiten, Richtlinien, digitale Souveränität
Modul 4: Praktische Anwendungen und Entwicklung eigener KI-Agenten
- Methoden und Vorgehensweise zur Identifizierung von geeigneten Anwendungsfällen für KI-Agenten
- Betriebswirtschaftliche Bewertung des Einsatzes von KI-Agenten in Unternehmen
- Agent Engineering
- Agenten für Information Retrieval:
Parsingvon Dokumenten, Textbasierte Zusammenfassungen, intelligente Suchfunktionen
- Agenten für die Datenverarbeitung und -analyse
- Agenten für Automatisierung und Orchestrierung von Softwareprozessen: Workflow Automatisierung, Integration in Task Schedulers und CI/CD Pipelines
- Agenten und Anwendungsbeispiele der industriellen Fertigung
- Agenten zur Automatisierung von alltäglichen Todos und Lösung von beruflichen 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)