Introduction to Generative AI Kurs – GANs, VAEs, Transformer

Generative Künstliche Intelligenz hat sich in kurzer Zeit zu einer der einflussreichsten Technologien unserer Zeit entwickelt. Ob synthetische Bilder, maschinell erstellte Texte, realistische Audiosynthese oder die automatisierte Codegenerierung — hinter diesen Fähigkeiten stecken mathematisch komplexe Modellarchitekturen, deren Verständnis heute zu den gefragtesten Qualifikationen im IT-Bereich zählt. Dieser Kurs vermittelt einen systematischen Einstieg in die drei zentralen Architekturklassen generativer KI: Generative Adversarial Networks (GANs), Variational Autoencoders (VAEs) und Transformer-basierte Modelle. Teilnehmende lernen nicht nur die theoretischen Grundlagen dieser Architekturen, sondern auch, wo und wie sie in realen Projekten eingesetzt werden. Gleichzeitig werden die ethischen Dimensionen generativer KI beleuchtet — ein Thema, das in der beruflichen Praxis zunehmend an Bedeutung gewinnt.

Modul 1 — Grundlagen generativer KI Dieses Einführungsmodul legt das konzeptionelle Fundament für alle weiteren Kursabschnitte. Teilnehmende verstehen, was generative Modelle von diskriminativen Modellen unterscheidet, und lernen die wesentlichen Begriffe des Feldes kennen. Die historische Entwicklung wird skizziert, damit aktuelle Durchbrüche in den richtigen Kontext eingeordnet werden können.

• Definition und Abgrenzung: generative vs. diskriminative Modelle
• Wahrscheinlichkeitsverteilungen als Grundlage der Datengenerierung
• Überblick über die Geschichte generativer KI von frühen Ansätzen bis zu modernen Großmodellen
• Typische Ausgabeformate: Text, Bild, Audio, Code, 3D-Daten
• Relevante Python-Bibliotheken und Frameworks (TensorFlow, PyTorch, Hugging Face)
• Überblick über führende generative KI-Plattformen und APIs

Modul 2 — Generative Adversarial Networks (GANs) GANs zählen zu den bahnbrechendsten Erfindungen der modernen KI-Forschung. In diesem Modul wird das adversarielle Trainingsparadigma detailliert erklärt. Teilnehmende verstehen, warum das Zusammenspiel von Generator und Diskriminator zur Erzeugung täuschend echter Daten führt, und lernen bekannte GAN-Varianten kennen.

• Architektur von Generator und Diskriminator
• Trainingsablauf und Verlustfunktionen bei GANs
• Bekannte GAN-Varianten: DCGAN, StyleGAN, CycleGAN, Pix2Pix
• Anwendungsfelder: Bildsynthese, Datenerweiterung, Stil-Transfer, Videobearbeitung
• Typische Trainingsinstabilitäten und Methoden zur Stabilisierung

Modul 3 — Variational Autoencoders (VAEs) VAEs bieten einen probabilistischen Ansatz zur Datengenerierung, der besonders für strukturierte Latenträume geeignet ist. Dieses Modul erklärt die Encoder-Decoder-Architektur, den Reparametrisierungs-Trick und die zugrundeliegende mathematische Intuition hinter der ELBO-Zielfunktion.

• Autoencoder als Vorstufe zum VAE
• Probabilistischer Latentraum und die Idee der Verteilungsmodellierung
• Reparametrisierungs-Trick als Grundlage für das differenzierbare Training
• Anwendungsgebiete: Anomalieerkennung, Bildgenerierung, Drug Discovery
• Vergleich von VAEs und GANs: Stärken und Schwächen beider Ansätze

Modul 4 — Transformer-Architekturen und Large Language Models Transformer sind die treibende Kraft hinter modernen Sprachmodellen wie GPT, BERT und T5. Das Modul erklärt den Self-Attention-Mechanismus, die Positional Encoding-Strategie und den Aufbau von Encoder-Decoder-Transformern. Besonderes Gewicht liegt auf Large Language Models (LLMs) und deren Feinabstimmung.

• Self-Attention-Mechanismus: Intuition und Mathematik
• Multi-Head Attention und Feed-Forward-Blöcke
• Vortraining und Fine-Tuning von Transformer-Modellen
• Bekannte Modelle: GPT-Familie, BERT, T5, Stable Diffusion (Diffusion Transformer)
• Multimodale Transformer: Verbindung von Text, Bild und Audio

Praxisblock — Anwendungen und ethische Rückschau Der Praxisblock vertieft die erworbenen Kenntnisse durch konkrete Anwendungsbeispiele aus verschiedenen Branchen und integriert die ethische Dimension als durchgehendes Thema. Teilnehmende analysieren reale Einsatzszenarien und diskutieren Verantwortung und Risiken.

• Medizin und Life Sciences: Moleküldesign, medizinische Bildgebung
• Kreativwirtschaft: KI-generierte Musik, Kunst, Drehbücher
• E-Commerce und Marketing: Produktbeschreibungen, personalisierte Werbegrafiken
• Softwareentwicklung: Code-Assistenten und automatisierte Tests
• Journalismus und Content-Produktion: Chancen und Risiken
• Deepfakes: Erkennungsstrategien und gesellschaftliche Konsequenzen
• Bias in Trainingsdaten: Ursachen, Messung und Minderungsansätze
• Transparenz und Erklärbarkeit generativer Modelle
• Urheberrechtliche Fragestellungen bei KI-generierten Inhalten
• EU AI Act und seine Auswirkungen auf generative KI-Anwendungen
• Sicherheits- und Datenschutzaspekte beim Einsatz von Sprachmodellen
• Karrierewege im Bereich generativer KI: Rollen, Gehälter, Einstiegsmöglichkeiten

Der Kurs verbindet konzeptionelles Verständnis mit dem Blick auf reale Einsatzszenarien. Praxisbeispiele aus führenden Unternehmen und Forschungseinrichtungen machen deutlich, wo generative KI heute bereits produktiv eingesetzt wird. Parallel dazu stärken Diskussionsrunden und Fallstudien das kritische Denken zu ethischen und gesellschaftlichen Fragen.

Der Kurs richtet sich an Personen mit einem grundlegenden Interesse an Künstlicher Intelligenz, die ihr Verständnis gezielt auf den Bereich generativer Modelle ausweiten möchten.

• Data Scientists und Machine-Learning-Ingenieure, die ihr Portfolio um generative Modelle erweitern wollen
• Softwareentwicklerinnen und -entwickler, die KI-Komponenten in Produkte integrieren
• Berufseinsteigerinnen und -einsteiger im KI-Bereich, die international anerkannte Zertifizierungen anstreben
• Forscher und Wissenschaftlerinnen aus angrenzenden Disziplinen (z. B. Bioinformatik, Materialwissenschaften)
• IT-Fachleute, die den Einsatz generativer KI in Unternehmensumgebungen bewerten und steuern

Der Kurs wird überwiegend als Combined Learning durchgeführt, das heißt, er kombiniert Präsenz- oder synchrone Online-Phasen mit selbstgesteuerten Lerneinheiten. Dozentinnen und Dozenten mit ausgewiesener Praxiserfahrung in KI-Projekten vermitteln die Inhalte in interaktiven Sessions. Fallstudien, Diskussionen und Rückschausaufgaben unterstützen den Transfer auf eigene berufliche Kontexte. Das Lerntempo wird durch individuelle Lernpläne angepasst, sodass sowohl Einsteiger als auch Fortgeschrittene optimal gestärkt werden. Teilnehmende werden zudem bei der Erstellung oder Aktualisierung ihrer Karrieredokumente begleitet.

Der Kurs ist in verschiedenen Formatvarianten verfügbar: kürzere Intensivkurse von mehr als drei Tagen bis zu einer Woche, mittlere Formate von mehr als einer Woche bis zu einem Monat sowie umfangreichere Programme über einen bis zu drei Monate. Sowohl Vollzeit- als auch Teilzeitvarianten werden angeboten, um eine Vereinbarkeit mit beruflichen Verpflichtungen zu ermöglichen. Individuelle Startzeiträume sind nach Absprache möglich.

Teilnehmende erhalten nach erfolgreichem Kursabschluss ein international anerkanntes Herstellerzertifikat sowie ein Lehrgangszertifikat von New Horizons. Diese Zertifikate dokumentieren die erworbenen Kenntnisse gegenüber potenziellen Arbeitgebern und sind im internationalen IT-Stellenmarkt bekannt. Der Kurs kann darüber hinaus als Vorbereitung auf weiterführende Zertifizierungsprüfungen im Bereich Künstliche Intelligenz dienen. Die Abschlussdokumentation wird in geeigneter Form ausgestellt.

Generative KI ist keine Nischentechnologie mehr — sie verändert die Arbeitswelt in Tempo und Tiefe. Wer die grundlegenden Architekturen versteht, kann KI-Tools nicht nur nutzen, sondern beurteilen, anpassen und verantwortungsvoll einsetzen. Das ist ein entscheidender Wettbewerbsvorteil auf dem Arbeitsmarkt, denn Unternehmen suchen zunehmend Fachleute, die generative KI strategisch einbetten können, statt sie unkritisch anzuwenden. Dieser Kurs schafft ein fundiertes konzeptionelles Verständnis, das als Basis für weiterführende Spezialisierungen dient. Ob Bildgenerierung, Textproduktion oder multimodale Anwendungen — wer die Unterschiede zwischen GANs, VAEs und Transformern kennt, kann für jedes Problem die geeignete Architektur auswählen. Dieses Urteilsvermögen ist in der Praxis wertvoller als die reine Werkzeugnutzung.