KI-Kompetenz
KI-Schulung für Entwicklungsteams
Wie bauen Entwicklungsteams KI-Funktionen und KI-gestützte Entwicklungsprozesse produktionsreif, sicher und regelkonform?
Die Schulung für Entwicklungsteams führt vom technischen KI-Grundverständnis bis zum Betrieb von LLM-Anwendungen. Behandelt werden Modellgrenzen, Prompt Engineering, KI-APIs, RAG, Agenten, Sicherheit, Datenschutz, EU-KI-Verordnung und produktionsfähige Architekturen.
Dauer: halber oder ganzer Tag · Gruppengröße: 6–16 Personen
Gespräch anfragen Einblick ansehen
Auf einen Blick
KI-Grundlagen, LLMs, Embeddings und Modellgrenzen verstehen Prompts, Prompt-Tests und KI-APIs mit soliden Entwicklungspraktiken einsetzen RAG, Agenten und KI-Workflows sicher entwerfen Sicherheit, Datenschutz, Governance und Betrieb in eine produktionsfähige Architektur übersetzen
Für wen Für Entwicklungsteams, technische Leads, Architekten, DevOps-nahe Rollen und Teams, die KI-Funktionen entwickeln oder KI-Werkzeuge in Entwicklung und Betrieb einsetzen.
Technische Vorkenntnisse sind sinnvoll Geeignet für Produktteams, Plattformteams und interne Entwicklung Modular an Tool-Landschaft, Datenklassen und Governance anpassbar
Lernkonzept
Lernziele für sichere Entscheidungen
Die Schulung verbindet Wissen mit wiederholbaren Handlungen für den jeweiligen Arbeitskontext.
1
Geeignete KI-Architekturen auswählen Modellzugriff, Kontext, Retrieval, Werkzeuge und menschliche Eingriffe passend zum Anwendungsfall einordnen.
2
Daten- und Angriffsflächen verstehen Datenflüsse, Prompt Injection, unzulässige Tool-Nutzung, Datenabfluss und übermäßige Handlungsfreiheit systematisch betrachten.
3
Qualität und Sicherheit prüfbar machen Evaluationsfälle, Ausgabevalidierung, Berechtigungen, Protokollierung und Freigabekriterien in die Umsetzung integrieren.
4
Betrieb und Verantwortung vorbereiten Monitoring, Kosten, Änderungen, Fallbacks, Vorfälle und Rollen von Entwicklung bis Betrieb zusammenführen.
Beispielagenda
Vom realistischen Fall zum Praxistransfer
Beispiele, Tiefe und Arbeitsergebnisse werden auf Zielgruppe, Format und interne Vorgaben abgestimmt.
1
Fehler- oder Angriffsszenario analysieren Ein realistischer Fall zeigt, wie Modellverhalten, Anwendungscode, Daten und Werkzeuge zusammenwirken.
2
Architektur und Datenflüsse abbilden Modell, Kontextquellen, Retrieval, Schnittstellen, Werkzeuge, Speicherorte und Vertrauensgrenzen werden sichtbar gemacht.
3
Kontrollen praktisch erproben Das Team entwickelt oder bewertet Schutzmaßnahmen, Evaluationsfälle und Freigabekriterien für den gewählten Schwerpunkt.
4
In Entwicklung und Betrieb übertragen Verantwortlichkeiten, Monitoring, Änderungsprozesse, Fallbacks und Vorfallwege werden in nächste Schritte übersetzt.
Anwendung
Übungen und konkrete Arbeitsergebnisse
Praxisübungen
Architektur- und Bedrohungsbild erstellen: Komponenten, Datenflüsse, Vertrauensgrenzen und relevante Fehl- oder Angriffsszenarien markieren.Schutzmaßnahme bewerten: Für RAG, Agenten oder KI-APIs prüfen, welche technische und organisatorische Kontrolle ein konkretes Risiko reduziert.Evaluations- und Freigabekriterien definieren: Testfälle, erwartetes Verhalten, Abbruchkriterien und benötigte Nachweise für eine Funktion festlegen.
Arbeitsergebnisse
Architekturübersicht mit Datenflüssen und Vertrauensgrenzen Bedrohungs- und Kontrollmatrix für den gewählten technischen Schwerpunkt Evaluations- und Freigabecheck für eine KI-Funktion Konkrete Betriebs-, Monitoring- und Vorfallschritte mit Verantwortlichkeiten
Technische Schwerpunkte Training vs. Inferenz, Tokens, Kontextfenster, Temperatur und Sampling Structured Outputs, JSON Schema, Function Calling und Tool Calling Chunking, Embeddings, Vektordatenbanken, Hybrid Search und Re-Ranking Prompt Injection, Indirect Prompt Injection, Excessive Agency und sichere Tool-Nutzung Model Gateway, Prompt Registry, Monitoring, Kostenkontrolle, Fallbacks und Incident Response
Ergebnis- und Nachweispaket
Technische KI-Architektur-Checkliste Prompt- und API-Testansatz RAG- und Agenten-Risiko-Check Sicherheitsprüfung für LLM-Anwendungen Betriebscheck für Monitoring, Kosten, Fallbacks und Incident Response
Lernschwerpunkte
Foundation
LLM-Grundlagen Prompt Engineering KI-APIs
Build
Structured Outputs RAG Tool Calling Agenten
Sicherheit und Betrieb
Sicherheit von LLM-Anwendungen Datenschutz und Governance Monitoring Kostenkontrolle Fallbacks Incident Response
