In dieser Weiterbildung lernst du, angewandte Künstliche Intelligenz in typischen Unternehmenssituationen einzusetzen. Du lernst, Geschäftsprobleme in klare Ziele und Datenfragen zu übersetzen und die Daten so vorzubereiten, dass sie für Analysen und Modelle nutzbar sind. Du lernst, Machine-Learning- und No-/Low-Code-Ansätze einzuordnen, Ergebnisse realistisch zu bewerten und verständlich zu präsentieren.
Du lernst außerdem, generative KI im Arbeitsalltag strukturiert zu nutzen (z. B. für Textarbeit und Wissensaufgaben) und Qualitätskontrollen einzubauen. Du lernst, Automatisierungen mit KI in Prozesse zu integrieren und Wirkung über Kennzahlen nachvollziehbar zu machen. Ein weiterer Bestandteil ist der Umgang mit Risiken wie Datenschutz, Bias und Sicherheitsanforderungen sowie grundlegende Regeln für Governance.
Datenkompetenz und KI‑Grundlagen für die Praxis- Die Teilnehmenden vermeiden Fehlinvestitionen durch KI‑Hype, indem sie Begriffe, Grenzen und typische Wirkungen von KI sauber einordnen.
- Die Teilnehmenden verhindern vage Projekte, indem sie Geschäftsprobleme in messbare Ziele und konkrete Datenfragen übersetzen.
- Die Teilnehmenden beenden Datenchaos, indem sie Datenerhebung, Bereinigung und einfache Feature‑Erstellung gezielt anwenden, damit Daten arbeitsfähig werden.
- Die Teilnehmenden senken Risiken durch schlechte Daten und Datenschutzverstöße, indem sie Datenqualität, Bias und *DSGVO‑Grundsätze früh prüfen.
- Die Teilnehmenden stoppen Bauchentscheidungen, indem sie Nutzen‑, Qualitäts‑ und Aufwandsmetriken einsetzen, um Prioritäten objektiv zu setzen.
Maschinelles Lernen ohne Programmierung
- Die Teilnehmenden ersetzen Schätzerei in Geschäftsfragen, indem sie mit No‑/Low‑Code Klassifikations‑ und Regressionsmodelle bauen und praxistaugliche Vorhersagen erzeugen.
- Die Teilnehmenden vermeiden Modell‑Blindflug, indem sie AutoML mit Cross‑Validation nutzen, Modelle fair vergleichen und tragfähige Baselines festlegen.
- Die Teilnehmenden verhindern Overfitting und falsche Versprechen, indem sie Modelle mit geeigneten Kennzahlen bewerten und Ergebnisse realistisch einordnen.
- Die Teilnehmenden entdecken verborgene Muster, indem sie Clustering und Segmentierung anwenden, um Kundengruppen oder Prozessmuster sichtbar zu machen.
- Die Teilnehmenden erhöhen Akzeptanz bei Entscheidern, indem sie Ergebnisse klar visualisieren und in die Sprache des Geschäfts übersetzen.
Generative KI im Arbeitsalltag
- Die Teilnehmenden beenden Zufallstreffer bei Prompts, indem sie Aufgaben strukturieren und Ketten aus Teilschritten nutzen, um Qualität reproduzierbar zu steigern.
- Die Teilnehmenden verkürzen Wissensarbeit, indem sie generative KI für Recherche, Zusammenfassung, Schreiben, Übersetzen und Ideation sicher einsetzen.
- Die Teilnehmenden vermeiden Wissensinseln, indem sie Dokumente erschließen und mit Unternehmenswissen verbinden (z. B. RAG), um Antworten kontextbezogen zu machen.
- Die Teilnehmenden senken Halluzinationen und Fehler, indem sie Qualitätskontrollen, Quellenhinweise und Red‑Team‑Checks systematisch einbauen.
- Die Teilnehmenden halten Kosten und Risiken im Griff, indem sie generative KI verantwortungsvoll in Prozessketten integrieren und Laufzeiten sowie Qualität überwachen.
Prozessautomatisierung mit KI
- Die Teilnehmenden finden echte Automatisierungskandidaten, indem sie repetitive Tätigkeiten standardisieren und ihren Nutzen nach Aufwand bewerten.
- Die Teilnehmenden entlasten Teams, indem sie mit visuellen Workflow‑Buildern und RPA‑Bots einfache End‑to‑End‑Automatisierungen umsetzen.
- Die Teilnehmenden beschleunigen Dokumentprozesse, indem sie OCR und Sprachmodelle kombinieren, um Rechnungen, Formulare oder E‑Mails automatisch zu verarbeiten.
- Die Teilnehmenden verhindern Bruchstellen, indem sie Schnittstellen, Trigger und Fehlerbehandlung nutzen, um Automatisierungen robust in bestehende Systeme einzubetten.
- Die Teilnehmenden steuern Betrieb und Skalierung, indem sie Laufzeit, Qualität und Compliance messen und Maßnahmen ableiten.
Datenbanken, Business Analytics und Wirkungsmessung
- Die Teilnehmenden wählen passende Speicherlösungen, indem sie Grundprinzipien relationaler und NoSQL‑Datenbanken auf den Use Case anwenden.
- Die Teilnehmenden verkürzen Datenaufbereitung ohne Programmierung, indem sie visuelle Abfrage‑ und Transformationswerkzeuge sicher bedienen.
- Die Teilnehmenden schaffen Transparenz, indem sie interaktive Dashboards bauen, die Leistung und Wirkung für Entscheider sichtbar machen.
- Die Teilnehmenden reduzieren Produkt‑ und Prozessrisiken, indem sie einfache Experimente und A/B‑Tests planen, durchführen und auswerten.
- Die Teilnehmenden berichten belastbar, indem sie Kennzahlen mit Zielen verknüpfen und Fortschritt sowie Nutzen nachvollziehbar machen.
Agile Produktentwicklung und KI‑gestützte Geschäftsmodelle
- Die Teilnehmenden fokussieren Arbeit, indem sie Produktziele aus Strategie und Kundennutzen ableiten und klar formulieren.
- Die Teilnehmenden senken Ungewissheit, indem sie Roadmaps und Experimentboards nutzen, um Annahmen früh zu testen.
- Die Teilnehmenden vermeiden Stakeholder‑Konflikte, indem sie Erwartungen strukturieren, Entscheidungen transparent machen und aktiv kommunizieren.
- Die Teilnehmenden stoppen Fehlinvestitionen, indem sie nutzerzentrierte Methoden für Problem‑ und Lösungsfit einsetzen.
- Die Teilnehmenden prüfen Geschäftsmodelle mit KI, indem sie erste Preise, Nutzenargumente und Zahlungsbereitschaft am Markt testen.
KI‑Governance, Sicherheit und Erklärbarkeit
- Die Teilnehmenden begrenzen KI‑Risiken, indem sie Richtlinien für Daten, Modelle und Nutzung festlegen und durchsetzen.
- Die Teilnehmenden erhöhen Nachvollziehbarkeit, indem sie Dokumentation, Modellkarten und Freigabeprozesse konsequent anwenden.
- Die Teilnehmenden stärken Vertrauen, indem sie Grundzüge der Erklärbarkeit nutzen, um Entscheidungen verständlich zu begründen.
- Die Teilnehmenden schützen sensible Informationen, indem sie Datenschutz, Betriebsgeheimnisse und Zugriffsrechte praktisch umsetzen.
- Die Teilnehmenden fördern Fairness und Compliance, indem sie ethische Fragestellungen und Bias früh erkennen und adressieren.
Prüfung und Projektarbeit
- Prüfungsvorbereitung auf die erste Prüfung
- 1. Prüfung: Projektarbeit (Deutsch)
- Prüfungsvorbereitung auf die zweite Prüfung
- 2. Prüfung: Open Book (Deutsch)