Themen
KI-Schulungen: KI-Technik & Entwicklung
Schulungen für Entwicklung, Data Science und IT: Machine Learning, Sprachmodelle, RAG, KI-Agenten, KI-Sicherheit und Softwareentwicklung mit KI.
Im Katalog filtern und durchsuchen→
Schwerpunkt KI-Technik & Entwicklung 43
- Altsysteme mit LLMs modernisieren: Fachlogik bergen und sicher migrieren
- Architektur- und Code-Doku mit KI: aktuell halten statt nachpflegen
- AutoML mit Python: Modelle automatisch trainieren und vergleichen
- Belastbare Trainingsdaten: Datenqualität in ML-Projekten prüfen und sichern
- Bias in KI-Modellen: Fairness messen, verbessern und für Audits belegen
- Causal Inference für ML-Praktiker: Ursache und Wirkung belastbar schätzen
- Code-Assistenten sicher nutzen: Schwachstellen in KI-Code früh abfangen
- Computer-Use- und Browser-Agenten: GUI-Abläufe mit KI automatisieren
- Daten mit KI auswerten: Bereinigung, Modelle und automatisierte Workflows
- Entropie, Kompression, Perplexität: Informationstheorie für ML-Modelle
- Erklärbare KI (XAI): Modellentscheidungen mit SHAP und LIME offenlegen
- Fehlersuche und Störungsanalyse mit LLMs: Ursachen schneller belegen
- Generalisierung im Machine Learning: Bias-Variance-Tradeoff und Overfitting
- Generative Modelle verstehen: GPT, Diffusion, GANs und VAEs im Vergleich
- Große Sprachmodelle von innen: Embeddings, Attention und Training
- Große Sprachmodelle von innen: Transformer, Training und Prompting
- In neuronale Netze hineinsehen: Interpretierbarkeit und Alignment
- KI in CI/CD-Pipelines: Builds analysieren, Releases sicher automatisieren
- KI-Agenten verlässlich machen: Evals, Red Teaming und Monitoring
- KI-Lieferkette absichern: Modelle, Datensätze und Pakete prüfen
- KI-Pilot technisch umsetzen: Machbarkeit, Modellwahl und Betrieb für die IT
- KI-Reviews für Pull Requests: Fehler und Sicherheitslücken früher finden
- Kooperierende KI-Agenten: Multi-Agenten-Workflows entwerfen und betreiben
- LangGraph und CrewAI: KI-Agenten bauen, vernetzen und produktiv betreiben
- LLM-Anwendungen gegen Angriffe härten: Prompt Injection bis Datenabfluss
- Mathematik für Machine Learning: Matrizen, Wahrscheinlichkeit, Gradienten
- MCP-Server entwickeln: Unternehmenssysteme für KI-Agenten erschließen
- ML-Datenpipelines aufbauen: Features konsistent für Training und Inferenz
- ML-Modelle gegen gezielte Angriffe härten: Adversarial ML in der Praxis
- Neuronale Netze trainieren: Loss, Backpropagation und Gradientenabstieg
- OpenAI Codex in der Softwareentwicklung: Code erzeugen, prüfen, einbinden
- Produktentwicklung mit KI: Ideen prüfen, Anforderungen klären, MVPs testen
- Python und Machine Learning lernen: von der ersten Schleife zum Modell
- Python und Machine Learning: Ohne Vorwissen zum eigenen ML-Projekt
- Python-Bibliotheken für Data Science: von pandas bis PyTorch
- RAG weiterentwickeln: präziseres Retrieval und agentische Recherche
- Reinforcement Learning in der Theorie: von Markov-Entscheidungen bis RLHF
- Semantische Suche mit Embeddings: Vektordatenbanken wählen und betreiben
- Skalierungsgesetze und Emergenz: was die Forschung über LLMs weiß
- Softwaretests mit LLMs: Testfälle, Testdaten und Automatisierung absichern
- Synthetische Trainings- und Testdaten: Verfahren, Qualität, Datenschutz
- Transformer nachgerechnet: Tokens, Self-Attention und Sampling in LLMs
- Unternehmens-Chatbots mit RAG absichern: Zugriffe, Injection, Nachweise
Ebenfalls passend 84
- Abfallmengen mit ML vorhersagen: Kapazitäten im Entsorgungsbetrieb planen
- Agentic AI steuern: Plattform, Kostenkontrolle und Freigaben für Agenten
- Aider: Code im Terminal mit KI ändern und das Modell frei wechseln
- AIOps für IT-Dienstleister: Alarme bündeln, Ursachen schneller finden
- Anomalien im Buchungsjournal mit ML aufspüren: Revision und Controlling
- Batch-Qualität per Machine Learning: Abweichungen und Ausschuss früh sehen
- Bautenstand per Bildanalyse: Fortschritt gegen BIM prüfen, Mängel belegen
- Betriebsübernahme von KI-Anwendungen: Monitoring, Rollback, Kostendeckel
- Betrugserkennung mit KI im Retailbanking: Muster, Modelle, Grenzen
- Bolt.new: Produktideen als Prototyp zeigen, bevor die Entwicklung beginnt
- Computer Vision im Finanzwesen: Scans, Belege und Ausweise auswerten
- Copilot, Cursor oder Claude Code: KI-Coding-Tools fürs Team auswählen
- Cursor: Programmieren mit KI-Vorschlägen, die das Team geprüft übernimmt
- Data Governance für KI: Daten freigeben, ohne die Kontrolle zu verlieren
- Dunkelverarbeitung in Versicherungen: Vorgänge mit KI durchautomatisieren
- Dynamic Pricing im Onlinehandel: Preise per Machine Learning steuern
- E-Discovery mit Machine Learning: Dokumentenberge verteidigbar sichten
- Erntemengen und Absatz vorhersagen: ML für Agrar- und Ernährungsbetriebe
- Eventticketing mit Machine Learning: Nachfrage schätzen, Preise steuern
- Fahrgastnachfrage vorhersagen: Machine Learning für ÖPNV und Planung
- Firecrawl: Websites als gepflegte Quelle für Ihre KI-Wissensbasis nutzen
- Fluktuation, Fehlzeiten, Entgelt: People Analytics mit Machine Learning
- Frachtraten und Laderaum vorhersagen: KI-Prognosen im Transporteinkauf
- Gemini CLI: Admin- und Datenaufgaben in der Shell einem KI-Agenten geben
- Hugging Face: Offene Modelle auswählen, vergleichen und Lizenzen prüfen
- Immobilienbewertung mit Machine Learning: AVM-Werte verstehen und prüfen
- Kfz-Gutachten mit Computer Vision: Schäden aus Fotos vorab einschätzen
- KI-Anwendungen im Betrieb überwachen: Qualität prüfen, wechselfähig bleiben
- KI-Einführung aus IT-Sicht: Bauarten, Datenflüsse und ein erster Aufbau
- Label Studio: Hausdaten beschriften und belastbare Trainingsdaten aufbauen
- Lagerbestände mit ML senken: Kapital freisetzen, lieferfähig bleiben
- Langflow: KI-Abläufe visuell bauen und als Schnittstelle bereitstellen
- Langfuse: Kosten und Antwortqualität produktiver KI-Anwendungen messen
- Last-, PV- und Windprognosen: Bilanzkreise mit ML genauer bewirtschaften
- Lead Scoring mit Machine Learning: Opportunities gezielt priorisieren
- LlamaParse: Tabellen und Handbücher sauber in die Wissensbasis bringen
- Lovable: Erfassungslisten und Formulare als eigene Web-Anwendung umsetzen
- Machine Learning im Controlling: Forecasts mit Treibern und Bandbreiten
- Machine Learning im SOC: Anomalien erkennen und die Alarmflut ordnen
- Machine Learning und Sprachmodelle im Retail-Banking praktisch erproben
- MLOps für Banken und Versicherungen: ML-Modelle prüfbar in Betrieb bringen
- Model Context Protocol: Hausdaten kontrolliert an KI-Assistenten anbinden
- Neuronale Netze in Banken: Kreditrisiko, Kursprognose und Betrug mit Python
- No-Shows senken mit Machine Learning: Terminsteuerung in Praxis und MVZ
- Penetrationstests für LLM-Anwendungen: den OWASP-Katalog praktisch nutzen
- Precision Farming mit KI: Teilflächen nach Sensordaten bewirtschaften
- Predictive Maintenance für Wind, PV und Netze: Schäden mit KI früh sehen
- Predictive Maintenance mit Python: Maschinenausfälle früh erkennen
- Produktempfehlungen im Onlineshop: Recommender mit ML bauen und testen
- Promptfoo: Regressionstests für Prompts und Modellwechsel aufbauen
- Prozessanalyse mit Machine Learning: Engpässe und Schleifen aufdecken
- Qdrant: Vektordatenbank für die interne Wissenssuche selbst betreiben
- Recycling mit Computer Vision: Wertstoffe erkennen, Fehlwürfe senken
- Reinforcement Learning in der Industrie: Vom Simulator zur realen Anlage
- Replit Agent: Kleine Hausanwendungen erzeugen, veröffentlichen und betreuen
- Requirements Engineering mit KI: Anforderungen erheben, prüfen, verfolgen
- Retouren senken, Betrug erkennen: Machine Learning im Onlinehandel
- Revenue Management im Hotel: Belegung vorhersagen, Raten per ML steuern
- Schadenfotos automatisch bewerten: Computer Vision für Versicherer
- Service-Bots für Versicherer: Chat und Telefon mit RAG belastbar gestalten
- Sortiment und Absatz im Einzelhandel: Listung und Fläche per ML planen
- Souveräne KI für Behörden: offene Sprachmodelle im eigenen Betrieb
- Stornoquote senken und Bestand ausschöpfen: ML im Versicherungsvertrieb
- Streamlit: Python-Auswertungen für Fachkollegen bedienbar machen
- Strompreise vorhersagen: Machine Learning und Backtesting im Energiehandel
- Telekommunikationsnetze mit ML: Störungen vorhersagen, Ausbau planen
- Telko-Kunden halten: Churn-Modelle, Uplift und passende Tarifangebote
- Tourenplanung mit KI und OR-Tools: Zustellung und Disposition optimieren
- Underwriting mit KI: Risiken datenbasiert, fair und prüfbar zeichnen
- Unsloth: Ein lokales Sprachmodell auf Fachbegriffe des Hauses trainieren
- Unternehmenswissen mit KI erschließen: von verstreuten Quellen zur Suche
- v0: Anforderungen als Bedienoberfläche zeigen und an die Entwicklung geben
- Vapi: Telefonagenten bauen, die Termine direkt in Ihre Systeme buchen
- Versicherungsbetrug in der Schadenregulierung: Verdachtsfälle per ML finden
- Versicherungstarife mit Machine Learning: vom GLM zum fairen Marktpreis
- Verteilnetze mit KI auswerten: Engpässe, Verluste und Ausbaubedarf
- Vibe Coding: mit Bolt, Lovable und Cursor im Dialog mit KI entwickeln
- Visuelle Produktsuche im Onlineshop: Computer Vision für Suche und PIM
- vLLM: Sprachmodelle im Rechenzentrum für ganze Abteilungen bereitstellen
- Von neuronalen Netzen bis Sprachmodell: KI für Führung und Stab verstehen
- Was KI prinzipiell nicht kann: Berechenbarkeit, Komplexität, Lerngrenzen
- Windmill: Skripte, Abläufe und Bedienoberflächen für IT-nahe Teams
- Windsurf: Agentische Entwicklung nach dem Regelwerk Ihres Softwareteams
- Zeitreihenprognosen für Wartung und Produktionsplanung mit Python
Ihr Thema ist nicht dabei oder Sie wollen mehrere kombinieren? Wir schneiden die Schulung auf Ihr Haus zu.
Beratung anfragen