AI + IoT - Grundlagen 4.0

Dieser Kurs verbindet Datenbankgrundlagen, KI-Konzepte, Cloud-Infrastruktur und Python-Programmierung zu einem integrierten Lehrprogramm für den Einstieg in intelligente, vernetzte Systeme. Während ähnliche IoT-KI-Programme sich auf Business-Zertifikate beschränken, geht das 4.0-Programm einen Schritt weiter: Mit dem Python-for-Data-Science-Modul und dem EXIN-Cloud-Modul lernen Teilnehmende, IoT-Sensordaten nicht nur zu verstehen, sondern tatsächlich programmatisch zu verarbeiten — von der Datenaufnahme über die Analyse mit Pandas bis zur Visualisierung von Messreihen.

Modul 1: Datenbasis für IoT (Microsoft DP-900) Intelligente vernetzte Systeme erzeugen kontinuierlich Daten. Dieses Modul legt das Fundament für deren Verwaltung. Teilnehmende lernen die Grundlagen relationaler und nicht-relationaler Datenbanken kennen, verstehen die Unterschiede zwischen strukturierten und unstrukturierten Daten und erkunden Azure Data Services für den praktischen Einsatz bei der Speicherung von Maschinendaten, Sensorwerten und Positionsinformationen.

• Relationale Datenbank-Konzepte, Tabellen, Schlüssel und Joins
• Nicht-relationale Datenspeicher: Dokumenten-, Graphen- und Zeitreihendatenbanken
• Azure Data-Plattformen: SQL Database, Cosmos DB, Data Lake
• Verarbeitungsmodelle: Batch- versus Stream-Verarbeitung für Sensordaten
• Datenmodellierung für IoT: Schema-Entwurf am Beispiel einer Sensordatenbank
• Praxisprojekt: Aufbau einer Datenbankstruktur für ein industrielles Sensor-Array

Modul 2: Azure KI-Grundlagen (Microsoft AI-900) Aufbauend auf der Datenschicht erkunden Teilnehmende das Azure-KI-Ökosystem. Vom maschinellen Lernen über Sprachverarbeitung bis hin zu Computer Vision zeigt das Modul, welche kognitiven Fähigkeiten moderne KI-Dienste bieten und wie sie sich in IoT-Umgebungen einbinden lassen. Ein besonderes Augenmerk liegt auf verantwortungsvollem KI-Einsatz.

• Azure AI Services: Überblick über Vision, Sprache und Entscheidungsmodule
• Grundlagen des überwachten und unüberwachten Lernens
• Natural Language Processing im Überblick
• Responsible AI: Fairness, Zuverlässigkeit, Datenschutz, Transparenz
• Praxisprojekt: Konzeption und Bewertung eines IoT-gestützten Chatbots für den Kundendienst

Modul 3: KI im Geschäftskontext (CertNexus AIBIZ) Technisches Wissen entfaltet seinen vollen Wert erst, wenn es mit strategischem Denken verbunden wird. Das AIBIZ-Modul zeigt, wie Unternehmen KI-Projekte beurteilen, welche Risiken und Chancen sich ergeben und wie eine Organisation Governance-Strukturen für KI aufbaut. IoT-Anwendungen wie Predictive Maintenance dienen als roter Faden.

• KI Use Cases im industriellen und logistischen Umfeld
• Bewertungsrahmen für KI-Investitionsentscheidungen
• Governance und Compliance in KI-Projekten
• IoT-Datenpotenziale für betriebliche Entscheidungsprozesse
• Praxisprojekt: Business Case für einen Predictive-Maintenance-Ansatz in der Fertigung

Modul 4: Cloud Computing für IoT (EXIN Cloud Computing Foundation) IoT-Systeme sind ohne skalierbare Cloud-Infrastruktur kaum denkbar. Dieses Modul vermittelt die Grundlagen des Cloud-Computings, erklärt Service- und Bereitstellungsmodelle und geht gezielt auf die Sicherheitsanforderungen ein, die bei der Übertragung und Speicherung von IoT-Daten gelten. Teilnehmende lernen zu beurteilen, welche Cloud-Architektur für welche IoT-Anforderungen geeignet ist.

• Cloud-Computing-Grundlagen und Treiber der Cloud-Adoption
• IaaS, PaaS, SaaS: Abgrenzung und Anwendungsbeispiele
• Private, öffentliche und hybride Cloud für IoT-Infrastrukturen
• Sicherheitskonzepte: Datenverschlüsselung, Identitätsmanagement, Compliance
• Praxisprojekt: Architekturentwurf für ein IoT-Sensordaten-Backend in der Cloud

Modul 5: Python für IoT-Datenanalyse Dieser Block gibt Teilnehmenden das handwerkliche Rüstzeug, um Sensordaten programmatisch zu verarbeiten. Ausgehend von Python-Grundlagen führt das Modul in Pandas als zentrales Werkzeug für tabellarische und zeitreihenbasierte Daten ein. Am Ende steht die Fähigkeit, Messreihen zu laden, zu bereinigen, zu analysieren und als Diagramm darzustellen.

• Python-Syntax, Datentypen und Kontrollstrukturen
• Datenstrukturen: Listen, Dictionaries, DataFrames
• Pandas: Laden, Filtern, Aggregieren und Zusammenführen von Datensätzen
• Zeitreihendaten: Resampling, gleitende Mittelwerte, Ausreißererkennung
• Visualisierung mit Matplotlib: Linienplots, Heatmaps, Histogramme
• Praxisprojekt: Analyse einer Sensordatenreihe aus einer simulierten Produktionsanlage

Praxisblock: Integrierte IoT-KI-Szenarien Ergänzend zu den fünf Modulen verbinden praxisnahe Aufgaben die Wissensbereiche und fördern ein ganzheitliches Systemverständnis.

• Ende-zu-Ende-Szenario: Sensordaten aufnehmen, in der Cloud speichern, mit Python analysieren
• Analyse von Temperatur- und Vibrationsdaten einer Maschine auf Anomalien
• Vergleich verschiedener Cloud-Speicheroptionen für hochfrequente IoT-Daten
• Business-Case-Strukturierung für ein Smart-Building-Energieoptimierungsprojekt
• Erstellung eines automatisierten Reporting-Skripts für Sensormesswerte
• Bewertung eines Echtzeit-Monitoring-Setups hinsichtlich Latenz und Kosten
• Diskussion von Datenschutzanforderungen bei der Übertragung von Maschinendaten
• Konzeptionierung einer AIBIZ-konformen KI-Governance-Struktur für ein mittelständisches Unternehmen
• Kritische Analyse eines Predictive-Maintenance-Modells auf Basis historischer Sensordaten
• Visualisierung von Betriebsdaten als Management-Dashboard
• Vergleich verschiedener IoT-Konnektivitätsprotokolle (MQTT, HTTP, AMQP)
• Entwicklung eines Anforderungskatalogs für ein IoT-Cloud-Migrationsprojekt

Die Fallstudien greifen reale Szenarien aus Industrie 4.0, Smart Cities und Gebäudeautomation auf und schaffen so eine Verbindung zwischen Modulwissen und beruflicher Praxis.

Das Programm ist für Personen konzipiert, die an der technischen und analytischen Seite vernetzter Systeme interessiert sind und eine fundierte Grundlage für Rollen in IoT-Entwicklung, Cloud-Datenverarbeitung oder KI-naher Analytics aufbauen möchten.

• IT-Generalisten, die sich auf IoT und Cloud-nahe Rollen spezialisieren wollen
• Data Analysts, die mit Sensordaten aus vernetzten Maschinen oder Gebäuden arbeiten
• Quereinsteiger aus Ingenieurwesen, Elektrotechnik oder technischem Operations-Management
• Fachkräfte in Industrie und Logistik, die digitale Transformationsprojekte begleiten
• Personen, die erste Python-Kenntnisse in einem anwendungsorientierten Kontext aufbauen wollen

Das Lehrformat kombiniert instruktionsbasierte Online-Einheiten mit praktischen Coding-Übungen und Fallstudienarbeit. Python-Aufgaben werden in einer interaktiven Umgebung bearbeitet, sodass Teilnehmende unmittelbares Feedback erhalten. Lehreinheiten und Selbstlernphasen wechseln sich systematisch ab, was eine flexible Tagesplanung ermöglicht. Der Kurs findet bevorzugt in Teilzeit statt, kann aber auch als Vollzeitkurs absolviert werden.

Die Regelstudienzeit liegt bei acht Wochen. Das Teilzeitmodell erlaubt eine flexible Verteilung der Lernphasen und eignet sich für Berufstätige, die den Kurs berufsbegleitend absolvieren. Im Vollzeitkurs können die Inhalte in kompaktem Rhythmus in sechs Wochen bearbeitet werden. Der Python-Block erfordert regelmäßige Übungspraxis zwischen den Lehreinheiten.

Teilnehmende erhalten nach Abschluss eine qualifizierte Teilnahmebestätigung für das Gesamtprogramm. Das Programm bereitet auf vier externe Zertifizierungsprüfungen vor: Microsoft DP-900, Microsoft AI-900, CertNexus AIBIZ und EXIN Cloud Computing Foundation. Die Prüfungen werden gesondert bei autorisierten Testzentren abgelegt.

Das 4.0-Programm schließt eine Qualifikationslücke, die im deutschen Markt besonders spürbar ist: Es fehlen Fachkräfte, die IoT-Daten nicht nur auf Konzeptebene verstehen, sondern sie auch programmatisch handhaben und in Cloud-Architekturen einbetten können. Wer diesen Kurs abschließt, besitzt genau dieses kombinierte Profil aus Cloud-Verständnis, KI-Grundlagenwissen und Python-Handwerk. Die Verbindung von EXIN Cloud und Python hebt das 4.0-Programm gegenüber rein zertifikatsfokussierten Formaten ab. Statt fünf theoretischer Module reiht das Programm praktische Coding-Aufgaben ein, die Sensordaten greifbar machen: Ein Teilnehmender, der diesen Kurs abschließt, hat bereits echte Zeitreihendaten analysiert und visualisiert — eine Fähigkeit, die in technischen Vorstellungsgesprächen direkt demonstrierbar ist. Für Unternehmen, die Mitarbeitende in IoT-Projekte einbinden wollen, bietet das Programm eine strukturierte Aufwertung bestehender IT-Fachkräfte. Die vier Zertifizierungen liefern eine dokumentierbare Kompetenzgrundlage, und das Python-Modul sorgt dafür, dass die Absolventinnen und Absolventen unmittelbar in analytische Aufgaben einsteigen können.