KI und Large Language Models (LLMs) verstehen und anwenden

Large Language Models (LLMs) unterstützen bereits die Auswertung technischer Dokumente, die Bearbeitung von Kundenanfragen und die Automatisierung wiederkehrender Aufgaben. Doch Halluzinationen, Datenschutzanforderungen und Unterschiede zwischen Sprachmodellen erschweren die Auswahl geeigneter Lösungen. Für den zuverlässigen Einsatz generativer Künstlicher Intelligenz (KI) im Unternehmen sind deshalb nachvollziehbare Bewertungskriterien, systematische Prompting-Methoden und geeignete Werkzeuge erforderlich.

Das dreitägige Seminar bildet die Grundlage des TAE-Lernpfads AI Engineer. Es verbindet die technischen Grundlagen von Sprachmodellen mit praktischen Übungen zur Modellbewertung, Qualitätssicherung und ersten Automatisierungen ohne Programmierung. Die Übungen folgen typischen industriellen Anwendungsfällen – etwa der Auswertung von Wartungs- und Prüfberichten, der Klassifikation von Reklamationen, der Prüfung von Lastenheften auf Vollständigkeit und Widersprüche sowie der Vorqualifizierung technischer Serviceanfragen.

Die Weiterbildung vermittelt die technischen und methodischen Grundlagen für den gezielten Einsatz von Large Language Models in betrieblichen Anwendungen. Im Mittelpunkt stehen die Funktionsweise von Machine Learning und Deep Learning, die Auswahl geeigneter Sprachmodelle sowie die systematische Steuerung und Bewertung generierter Ergebnisse. Anhand industrieller Use Cases erarbeiten Sie eine fundierte Grundlage für den Einsatz generativer KI und die weiterführende Entwicklung von KI-Assistenten und KI-Agenten.

Nach der Weiterbildung können Sie:

• Funktionsprinzipien von Machine Learning, Deep Learning und Sprachmodellen anhand zentraler technischer Konzepte erläutern.
• Sprachmodelle anhand von Leistungsfähigkeit, Kosten, Datenschutz und Lizenzbedingungen für betriebliche Anwendungsfälle bewerten.
• Prompting-Techniken zur strukturierten Bearbeitung fachlicher Aufgaben anwenden.
• KI-Ausgaben anhand definierter Qualitätskriterien systematisch prüfen.
• Wiederkehrende Aufgaben mithilfe geeigneter Low-Code-Werkzeuge automatisieren.

Als Einstiegsmodul des TAE-Lernpfads AI Engineer erwerben Sie grundlegende Kompetenzen für die Auswahl, Anwendung und Bewertung von KI-Modellen und schaffen damit die Voraussetzung für weiterführende Qualifizierungen in der Entwicklung von KI-Assistenten und KI-Agenten.

Nutzen der Weiterbildung

Die Weiterbildung erhöht die Sicherheit bei der Auswahl und dem betrieblichen Einsatz generativer KI. Strukturierte Arbeitsweisen reduzieren den Aufwand für wiederkehrende Aufgaben und die Nachbearbeitung fehlerhafter KI-Ausgaben. Praxisnahe Übungen erleichtern den Transfer in bestehende Arbeitsprozesse und schaffen eine belastbare Grundlage für weiterführende KI-Projekte.

TAG 1: Wie KI und Sprachmodelle funktionieren

1. Von der klassischen KI zum Sprachmodell

Einordnung der Begriffe und Technologien – was KI heute kann und woher die Sprünge der letzten Jahre kommen.

• Regelbasierte Systeme, Machine Learning, Deep Learning, generative KI – Abgrenzung anhand konkreter Beispiele
• Wie ein Modell „lernt“: Trainingsdaten, Muster, Generalisierung
• Klassische KI beantwortet eine Frage – KI-Agent führt Aufgaben aus – Agentic AI steuert mehrstufige Prozesse: das Zielbild des Lernpfads
• Anwendungsfelder in Industrie und Mittelstand: Qualitätsprüfung, Dokumentenverarbeitung, Service, Entwicklung

2. Wie Large Language Models funktionieren

Architektur und Arbeitsweise von LLMs, verständlich erklärt (Praxisbeispiel: Auswertung von Wartungsberichten).

• Token, Embeddings, Transformer und Attention – ohne Formeln
• Kontextfenster, Temperatur und Sampling: warum Antworten variieren
• Pre-Training, Fine-Tuning, Instruction-Tuning und Prompting im Vergleich
• Multimodale Modelle: Text, Bild, Sprache, Dokumente
• Grenzen: Halluzinationen, Wissensstand, Bias, Reproduzierbarkeit

3. Marktüberblick und Modellauswahl

Vergleich der Modelle verschiedener Anbieter anhand einer realen Aufgabenstellung (Praxisbeispiel: Zusammenfassung und Klassifikation von Kundenreklamationen).

• Modelllandschaft im Überblick (z. B. GPT, Claude, Gemini, offene Modelle): Stärken, Kosten, Lizenzmodelle
• Cloud-Modelle vs. offene Modelle vs. lokaler Betrieb – Datenschutz und Datenhoheit
• KI in Unternehmensplattformen: was Office- und Cloud-Anbieter integriert liefern
• Hands-on: derselbe Prompt in vier Modellen – Ergebnisse systematisch vergleichen und bewerten
• Auswahlkriterien für den eigenen Anwendungsfall

4. Wie Anwendungen mit Modellen sprechen

Grundprinzip einer API-Anfrage – ohne Programmierung nachvollziehbar (Praxisbeispiel: automatisierte Bewertung von Lieferantenkorrespondenz).

• Aufbau einer Anfrage: Systemprompt, Nutzerprompt, Parameter
• Hands-on: LLM-Aufruf in einer Low-Code-Umgebung ohne Programmierung
• Kosten, Latenz und Ratenlimits abschätzen

5. Zusammenfassung Tag 1 und offene Fragerunde

***

TAG 2: Prompting als Handwerk

6. Generative KI im Arbeitsalltag

Was LLMs gut können, was nicht – und woran man den Unterschied erkennt.

• Aufgabentypen: Zusammenfassen, Strukturieren, Extrahieren, Umformulieren, Prüfen, Generieren
• Datenschutz und Vertraulichkeit: welche Daten in welches Werkzeug dürfen
• Anwendungslandkarte: Chat-Werkzeuge, integrierte Office-KI, Low-Code-Workflows – was sich wofür eignet

7. Prompting-Techniken

Systematische Steuerung von Sprachmodellen (Praxisbeispiel: Prüfung eines Lastenhefts auf Vollständigkeit und Widersprüche).

• Anatomie eines guten Prompts: Rolle, Kontext, Aufgabe, Format, Beispiele
• Zero-Shot, Few-Shot, Chain-of-Thought – wann welche Technik hilft
• Strukturierte Ausgaben: Tabellen, JSON, Checklisten erzwingen
• Iteratives Verfeinern und Prompt-Ketten für mehrstufige Aufgaben
• Hands-on: derselbe Prompt in mehreren Sprachmodellen – Unterschiede erklären und Modellwahl begründen

8. Ergebnisse bewerten und absichern

Qualitätssicherung von KI-Ausgaben (Praxisbeispiel: technische Kundenanfragen im Service beantworten).

• Halluzinationen erkennen: Quellen einfordern, Gegenprüfung, Selbstkritik-Prompts
• Bewertungsraster für KI-Ausgaben: Richtigkeit, Vollständigkeit, Tonalität
• Prompts als Team-Vorlagen dokumentieren und versionieren
• Übung: eigene Prompt-Bibliothek für drei wiederkehrende Aufgaben aufbauen

9. Zusammenfassung Tag 2 und offene Fragerunde

***

TAG 3: Einsatz im Unternehmen und erste Automatisierung

10. Generative KI in den vorhandenen Office-Werkzeugen

KI dort nutzen, wo die Arbeit stattfindet – am Beispiel integrierter Office-Assistenten wie Microsoft 365 Copilot (Praxisbeispiel: Besprechungsprotokoll, Aufgabenliste und Statusbericht aus Besprechungen und E-Mails).

• Integrierte KI in Textverarbeitung, Tabellen, E-Mail und Besprechungen: Möglichkeiten und Grenzen
• Arbeiten mit eigenen Dokumenten: Zusammenfassen, Vergleichen, Fragen stellen
• Erste Assistenten in der Office-Umgebung: was ohne Entwicklung möglich ist
• Berechtigungen und Datengrenzen im Unternehmens-Tenant

11. Dokumente und Daten mit LLMs verarbeiten

Von der Einzelanfrage zur Massenverarbeitung (Praxisbeispiel: 500 Reklamationstexte klassifizieren und Ursachen aggregieren).

• Grenzen des Chat-Fensters: warum Massenverarbeitung einen Workflow braucht
• Low-Code-Workflows mit LLM-Bausteinen (z. B. KNIME): Prompt-Vorlagen, Anbieteranbindung ohne Code
• Hands-on: Textklassifikation mit einem Modell Ihrer Wahl – Cloud-Anbieter oder lokales Modell
• Ergebnisse in Tabellen und Dashboards auswerten

12. Vom Prompt zum Assistenten und Agenten

Ausblick auf die Aufbau- und Vertiefungsmodule anhand eines durchgängigen Beispiels (Praxisbeispiel: Angebotsanfragen automatisch vorqualifizieren).

• Stufe 1: Prompt-Vorlage – Stufe 2: KI-Assistent mit Wissen – Stufe 3: Agent mit Werkzeugen
• Demonstration: derselbe Anwendungsfall als Prompt, als KI-Assistent und als Workflow
• Kriterien: Wann reicht ein Prompt, wann braucht es einen Assistenten, wann einen Agenten?

13. Use-Case-Werkstatt

• Transfer auf das eigene Unternehmen.
• Anwendungsfälle der Teilnehmer:innen sammeln, nach Eignung und Nutzen bewerten
• Für einen Fall: Werkzeug, Modell und nächsten Schritt festlegen
• Präsentation und Feedback in der Gruppe

14. Zusammenfassung Tag 3 und offene Fragerunde

***

Hinweis: Auf Wunsch können Sie eigene Praxisbeispiele mit realen Daten und Anwendungsfällen aus Ihrem Unternehmen mitbringen und im Seminar diskutieren. Voraussetzung dafür ist die Bereitstellung der Informationen 3 Wochen vor dem Termin des Seminars.

***

Methodik

• Interaktiver Vortrag der Referierenden
• Erläuterung anhand von Praxisbeispielen aus Entwicklung, Produktion, Service und Verwaltung
• Begleitende Case Study mit Aufgaben für Einzel- und Gruppenarbeit
• Hands-on-Übungen in einer Low-Code-Umgebung mit Sprachmodellen verschiedener Anbieter und den im Unternehmen üblichen Plattformen (Werkzeuge werden beispielhaft eingesetzt, der Anwendungsfall steht im Vordergrund)
• Besprechung und Analyse individueller Fragestellungen aus dem beruflichen Arbeitsumfeld