Modul 1: Grundlagen der KI-Governance und Ethik
Einführung in die KI-Governance: Bedeutung von ethischen Richtlinien und regulatorischen Rahmenbedingungen für den Einsatz von Künstlicher Intelligenz, veranschaulicht durch interaktive Online-Dashboards.
Ethische Prinzipien der KI: Fairness, Transparenz, Erklärbarkeit und Verantwortlichkeit im Kontext von Machine Learning, analysiert anhand von Fallstudien in browserbasierten Umgebungen.
Risikomanagement für KI-Systeme: Identifikation und Bewertung von Risiken entlang des gesamten KI-Lebenszyklus unter ausschließlicher Verwendung kostenfreier Open-Source-Frameworks.
Bias und Diskriminierung in KI: Ursachen von algorithmischem Bias und Strategien zur Mitigation direkt im Browser mittels Python-Notebooks.
Online Hands-on Lab: Aufbau eines kostenfreien Open-Source-Auditing-Workflows. Nutzung von Google Colab und frei verfügbaren Datensätzen zur Analyse von Modell-Bias mit Open-Source-Bibliotheken wie AIF360 (AI Fairness 360).
Modul 2: Regulatorische Rahmenbedingungen und Compliance
Der EU AI Act: Detaillierte Analyse der Risikoklassen und Compliance-Anforderungen für KI-Systeme in Europa, vermittelt über interaktive Online-Plattformen.
Globale KI-Regulierungen: Vergleich internationaler Ansätze zur KI-Regulierung (z.B. USA, Asien) und deren Auswirkungen auf globale Unternehmen, analysiert anhand von Open-Source-Datenbanken.
Datenschutz und KI (DSGVO): Schnittstellen zwischen KI-Entwicklung und Datenschutzrecht, insbesondere bei der Verarbeitung personenbezogener Daten, trainiert in kostenfreien Cloud-Umgebungen.
Urheberrecht und geistiges Eigentum: Herausforderungen bei generativer KI und die Nutzung von Trainingsdaten mithilfe frei zugänglicher juristischer Datenbanken.
Online Hands-on Lab: Implementierung eines Compliance-Checks in Python via Google Colab. Automatisierte Überprüfung von Modell-Metadaten gegen regulatorische Vorgaben unter Verwendung von Open-Source-Compliance-Tools.
Modul 3: Transparenz und Erklärbarkeit (XAI)
Konzepte der Explainable AI (XAI): Notwendigkeit von Erklärbarkeit für regulatorische Compliance und Nutzervertrauen unter Nutzung von Open-Source-Datensätzen.
Methoden der Modell-Erklärbarkeit: Funktionsweise von LIME, SHAP und anderen XAI-Techniken zur Interpretation komplexer Modelle in kostenfreien Online-Umgebungen.
Dokumentation von KI-Systemen: Erstellung von Model Cards und FactSheets zur transparenten Kommunikation von Modell-Eigenschaften, demonstriert an quelloffenen Frameworks.
Auditierung von Black-Box-Modellen: Strategien zur Überprüfung von Modellen ohne Zugriff auf den Quellcode, simuliert in sicheren, browserbasierten Containern.
Online Hands-on Lab: Konfiguration von Open-Source-XAI-Tools in einer kostenfreien Cloud-Instanz. Anwendung von SHAP zur Erklärung der Vorhersagen eines Random-Forest-Klassifikators anhand frei verfügbarer Datensätze.
Modul 4: Sicherheit und Robustheit von KI-Systemen
Bedrohungen für KI-Systeme: Verständnis von Adversarial Attacks, Data Poisoning und Model Inversion zur Sicherstellung der Modell-Integrität mithilfe von Open-Source-Analytics-Tools.
Sicherheitsstandards für KI: Anwendung von Frameworks wie MITRE ATLAS zur Modellierung von Bedrohungen durch Python-basierte Datenanalyse im Browser.
Robustheitstests für Machine Learning: Evaluierung der Widerstandsfähigkeit von Modellen gegen Manipulationen, programmiert in kostenfreien Jupyter-Umgebungen.
Sichere KI-Entwicklung (DevSecOps für ML): Integration von Sicherheitsprüfungen in die MLOps-Pipeline anhand anonymisierter Open-Source-Logfiles.
Online Hands-on Lab: Analyse von Modell-Schwachstellen mit dem kostenfreien Open-Source-Framework Adversarial Robustness Toolbox (ART). Konfiguration von Sicherheitstests in einer Open-Source-Umgebung zur Aufdeckung von Adversarial Examples.
Modul 5: Daten-Governance und Qualitätsmanagement
Datenqualität im KI-Lebenszyklus: Auswirkungen von schlechter Datenqualität auf Modell-Performance und Compliance, analysiert an frei zugänglichen Datensätzen.
Data Provenance und Lineage: Nachverfolgung der Herkunft und Transformation von Trainingsdaten mittels quelloffener Python-Skripte.
Anonymisierung und Pseudonymisierung: Techniken zum Schutz der Privatsphäre in Trainingsdaten (z.B. Differential Privacy), trainiert auf kostenfreien Cloud-Instanzen.
Verwaltung von Datenrechten: Sicherstellung der legalen Nutzung von Datenquellen für das Modell-Training.
Online Hands-on Lab: Nutzung einer cloudbasierten, kostenfreien Daten-Governance-Plattform. Implementierung von Differential Privacy in einem PyTorch-Modell im Browser zur Sicherstellung des Datenschutzes beim Training.
Modul 6: KI-Auditing und Zertifizierung
Grundlagen des KI-Auditing: Prozesse und Methoden zur unabhängigen Überprüfung von KI-Systemen auf Compliance und Ethik.
Entwicklung von Audit-Frameworks: Erstellung von Prüfkatalogen basierend auf regulatorischen Anforderungen unter Nutzung quelloffener Standards.
Automatisierte Compliance-Prüfungen: Einsatz von Tools zur kontinuierlichen Überwachung von KI-Systemen in Produktion.
Vorbereitung auf KI-Zertifizierungen: Schritte zur Erlangung von Gütesiegeln und Zertifikaten für vertrauenswürdige KI.
Online Hands-on Lab: Entwicklung eines automatisierten Audit-Skripts mit kostenfreien Open-Source-Tools im Browser. Automatisierte Auswertung von Modell-Metriken und Generierung eines Compliance-Reports in einer cloudbasierten Umgebung.
Modul 7: Implementierung eines KI-Governance-Frameworks
Aufbau einer KI-Governance-Organisation: Rollen, Verantwortlichkeiten und Prozesse für ein effektives KI-Management, simuliert in sicheren Online-Umgebungen.
Integration in bestehende Governance-Strukturen: Verknüpfung von KI-Governance mit IT-Governance und Risikomanagement, demonstriert an Open-Source-Modellen.
Richtlinien und Standards im Unternehmen: Entwicklung interner Guidelines für den verantwortungsvollen Umgang mit KI, analysiert in isolierten, browserbasierten Containern.
Schulung und Awareness: Sensibilisierung von Mitarbeitern für KI-Risiken und ethische Fragestellungen mit quelloffenen Frameworks.
Online Hands-on Lab: Erstellung eines KI-Governance-Dashboards unter Verwendung von kostenfreien, quelloffenen Visualisierungstools direkt im Browser. Überwachung von Compliance-KPIs für simulierte KI-Projekte.
Modul 8: Zukunft der KI-Governance und kontinuierliche Anpassung
Dynamik der KI-Regulierung: Strategien zur Anpassung an sich schnell ändernde rechtliche Rahmenbedingungen.
Technologische Entwicklungen und Governance: Herausforderungen durch neue KI-Paradigmen (z.B. Foundation Models, Agentic AI), umgesetzt mit kostenfreien Tools.
Automatisierung der KI-Governance: Einsatz von KI zur Überwachung und Steuerung von KI-Systemen, konfiguriert in Open-Source-Plattformen.
Aufbau einer Kultur der vertrauenswürdigen KI: Verankerung von Ethik und Compliance in der Unternehmens-DNA, simuliert in einer cloudbasierten Übungsumgebung.
Online Hands-on Lab: Integration von Governance-Checks in eine MLOps-Pipeline mit kostenfreien Open-Source-Plattformen wie MLflow. Erstellung eines automatisierten Workflows im Browser zur Blockierung nicht-konformer Modelle.