Dieser Kurs vermittelt das gezielte Formulieren, Strukturieren und Optimieren von Eingaben für generative KI-Modelle zur Verbesserung datengetriebener Prozesse. Teilnehmende lernen, wie präzise Prompts die Qualität von KI-Ergebnissen beeinflussen und wie diese systematisch für Datenanalyse und Berichtserstellung genutzt werden. Die Schulung kombiniert Sprachmodellsteuerung mit klassischen Analyseverfahren in Python, SQL und Power BI. Durch praxisorientierte Übungen wird aufgezeigt, wie Prompt Engineering datengetriebene Prozesse verbessert und reproduzierbare Resultate ermöglicht.

Inhaltsübersicht
1. Grundlagen generativer Künstlicher Intelligenz
2. Prompt Engineering lernen - Aufbau und Struktur von Prompts
3. Datenanalyse und Auswertung mit Python und SQL
4. Prompt Engineering lernen - Anwendung in Data Analytics
5. Ethische, rechtliche und organisatorische Aspekte
1. Grundlagen generativer Künstlicher Intelligenz
  • Funktionsweise generativer Modelle (LLM, Diffusion)
  • Trainingsdaten, Wahrscheinlichkeitsmodelle und Token-Systeme
  • Einsatzfelder: Text, Code, Datenaufbereitung
  • Vorteile und Grenzen generativer Verfahren
  • Zusammenhang zwischen Künstlicher Intelligenz und Data Analytics

2. Prompt Engineering lernen - Aufbau und Struktur von Prompts
  • Prinzipien effektiver Prompts (Klarheit, Kontext, Format)
  • Dos and Donts der Prompt-Gestaltung
  • Iterative Verbesserung durch Rückfragen und Variationen
  • Verwendung von Rollen, Stilvorgaben und Beispielen
  • Praxisübung: Erstellung eigener Prompts für Datenanalysen

3. Datenanalyse und Auswertung mit Python und SQL
  • pandas für Datenimport, Bereinigung und Strukturierung
  • Visualisierung mit matplotlib und Power BI
  • SQL-Abfragen und Datenaggregation
  • Kombination von Sprachmodellen mit numerischen Daten
  • Automatisierte Textauswertung durch KI

4. Prompt Engineering lernen - Anwendung in Data Analytics
  • Erstellen von Analyseberichten über Prompts
  • Zusammenfassung und Interpretation von Ergebnissen
  • Integration von OpenAI in Analyse-Workflows
  • Prompt-basierte Automatisierung von Routineaufgaben
  • Qualitätssicherung und Kontrolle der Ausgaben

5. Ethische, rechtliche und organisatorische Aspekte
  • Datenschutz und Informationssicherheit
  • Bias-Erkennung in generativen Modellen
  • Nachvollziehbarkeit und Dokumentation von Ergebnissen
  • Richtlinien zur verantwortungsvollen KI-Nutzung
  • Implementierung in Arbeitsprozesse