KI Grundlagen für Informatiker

Informatiker aller Spezialisierungen stehen heute vor der Frage, wie KI-Technologien konkret in ihren Arbeitsalltag integriert werden können — nicht als abstraktes Zukunftsthema, sondern als anwendbares Handwerk. Dieser Kurs vermittelt das dafür notwendige Fundament: von den Grundlagen moderner Sprachmodelle über praktisches Prompt Engineering bis hin zum Aufbau agentenbasierter Workflows und der produktionssicheren Bereitstellung von KI-Anwendungen. Das Format ist als Seminar gestaltet, in dem Lerninhalte unmittelbar in eigenen Projekten erprobt werden. Erfahrene Trainerinnen und Trainer aus der Tech-Branche begleiten den Kurs und sorgen für den direkten Bezug zu aktuellen Berufsrealitäten.

Das erste Modul legt das konzeptuelle Fundament. Es behandelt, wie LLMs aufgebaut sind, welche Architekturen sich im aktuellen KI-Stack durchgesetzt haben und welche Implikationen sich daraus für Entwicklerinnen und Entwickler ergeben. Dabei geht es nicht um reine Theorie, sondern um das Verständnis, das für alle nachfolgenden Praxisaufgaben notwendig ist.

• Aufbau und Training von Sprachmodellen: Transformer-Architektur, Tokenisierung, Kontextfenster
• Aktueller KI-Stack: welche Komponenten wie zusammenspielen und welche Rollen sie übernehmen
• Unterschiede zwischen proprietären Modellen (z. B. GPT-4, Claude) und Open-Source-Alternativen
• Übersicht über Inference, Fine-Tuning und Retrieval-Augmented Generation (RAG)
• Einordnung von Modell-Capabilities und bekannten Limitierungen wie Halluzinationen

Das zweite Modul konzentriert sich auf Prompt Engineering als eigenständige Entwicklerkompetenz. Im Gegensatz zu Einsteigerkursen wird hier die technische Tiefe adressiert: Strukturierung von Systemprompts, Few-Shot-Techniken, Chain-of-Thought und die Integration von Prompting in größere Anwendungsarchitekturen.

• Anatomie eines effektiven Prompts: Aufgabe, Kontext, Format und Beispiele im Zusammenspiel
• Few-Shot- und Zero-Shot-Prompting im Anwendungsvergleich mit konkreten Ergebnisbeispielen
• Chain-of-Thought und Self-Consistency für komplexere, mehrstufige Aufgaben
• Prompt-Versionierung und systematische Evaluation in realen Projekten
• Typische Fehlerquellen und wie man sie im Debugging erkennt und behebt

Das dritte Modul behandelt KI-gestütztes Coding und Software-Architekturen. Cursor, GitHub Copilot und ähnliche Tools verändern, wie Code geschrieben, reviewt und dokumentiert wird. Das Modul analysiert diese Veränderung praktisch und leitet daraus neue Architekturprinzipien ab.

• Arbeiten mit Cursor: Code-Completion, Inline-Refactoring und Chat-in-IDE im Entwickleralltag
• GitHub Copilot für Unit-Tests, Dokumentation und Code-Review effektiv einsetzen
• Architekturprinzipien für KI-erweiterte Anwendungen und deren Testbarkeit
• Patterns für KI-Integrationen: Tool Use, Function Calling und strukturierte Ausgaben
• Rapid Prototyping: von der Idee zum funktionierenden MVP in überschaubarer Zeit

Das vierte Modul widmet sich Agentic AI, LangChain, MCP und Vektordatenbanken. Dies ist der anspruchsvollste Teil des Kurses und behandelt Konzepte, die für den Aufbau autonomerer KI-Systeme wesentlich sind.

• Was sind KI-Agenten: ReAct-Muster, Tool Use, Planung und Gedächtniskomponenten
• LangChain als Framework: Chains, Agents, Memory und Tools im Zusammenspiel
• Model Context Protocol (MCP): Standardisierung von Modell-Kontext-Schnittstellen für Produktionsanwendungen
• Vektordatenbanken und Embeddings als Grundlage für semantische Suche und RAG-Systeme
• Praxisbeispiel: Aufbau eines einfachen, aufgabenorientierten Agenten mit LangChain

Im praktischen Teil des Kurses arbeiten die Teilnehmenden an konkreten Projekten aus dem KI-Umfeld, die den gesamten Entwicklungszyklus abbilden.

• Entwicklung eines eigenen RAG-Systems mit einer lokalen Dokumentenbasis als Wissensspeicher
• Aufbau und Evaluation eines Agenten-Workflows mit LangChain und definierten Erfolgskriterien
• Prompt-Engineering-Challenge: iterative Optimierung eines produktionsrelevanten Prompts
• Deployment einer KI-Anwendung in einem Docker-Container mit sauberem Umgebungsmanagement
• Monitoring und Logging für LLM-basierte Services konfigurieren und auswerten
• Integration eines Sprachmodells via API in ein bestehendes Python-Skript
• Architekturskizze für eine reale Anwendungsidee aus dem eigenen Berufsfeld erstellen
• Vergleich zweier Open-Source-Modelle auf einer definierten Aufgabe mit Bewertungskriterien
• Sicherheitsreview: Erkennung von Prompt-Injection-Risiken in einer Beispielanwendung
• Diskussion eines Compliance-Falls: Datenresidenz, Logging-Pflichten und DSGVO-Bezug
• Präsentation und Peer-Feedback zu einem eigenen Projektprototyp

Der Kurs lebt davon, dass Teilnehmende ihre eigenen Projekte und Fragestellungen einbringen. Die Trainer-Begleitung aus der Tech-Praxis sorgt dafür, dass abstrakte Konzepte auf reale Arbeitssituationen heruntergebrochen werden und die erlernten Fähigkeiten direkt im Berufsalltag anwendbar sind.

Der Kurs richtet sich explizit an Menschen mit informatischem Hintergrund — ob Softwareentwickler, Product Engineers, UX-Entwickler mit technischem Profil oder Quereinsteiger mit nachweisbaren Kenntnissen in digitalen Tools und ersten Erfahrungen im Software- oder Produktumfeld.

• Softwareentwickler, die KI-Technologien in bestehende Projekte oder neue Architekturen integrieren wollen
• Product Engineers und technische Produktmanager mit Entwicklungshintergrund
• Berufsrückkehrer und Quereinsteiger mit solider Basis in digitalen Werkzeugen
• Informatiker, die ihren beruflichen Schwerpunkt gezielt Richtung KI und ML verlagern möchten
• Studierende und Absolventen technischer Fächer mit erstem Praxisbezug in der Softwareentwicklung

Das Seminar findet überwiegend im virtuellen Klassenzimmer statt, also in live moderierten Online-Sessions mit Bildschirmübertragung, Live-Coding und direkter Frage-Antwort-Kommunikation. Ergänzend gibt es asynchrone Lernmaterialien für Selbststudium und Aufgabenbearbeitung zwischen den Sessions. Die Trainerinnen und Trainer kommen aus aktiven Tech-Rollen und bringen aktuelle Praxisbezüge ein. Sowohl Vollzeit- als auch Teilzeitvarianten des Kurses sind verfügbar.

Der Kurs erstreckt sich über mehr als einen bis zu drei Monate. Der genaue Zeitplan variiert je nach gewähltem Intensitätsformat. Im Vollzeitmodus ist eine tägliche Lernzeit von mehreren Stunden einzuplanen; im Teilzeitmodus verteilen sich die Inhalte über einen längeren Zeitraum. Die modulare Struktur erlaubt es, Schwerpunkte je nach Vorkenntnissen und beruflichem Interesse zu setzen.

Nach dem Kurs erhalten Teilnehmende ein trägerinternes Zertifikat mit dem Titel „KI Grundlagen für Informatiker". Dieses bestätigt die behandelten Themengebiete und die praktischen Leistungen im Rahmen des Seminars. Es handelt sich um keine externe Herstellerzertifizierung, sondern um eine bildungsträgerinterne Bescheinigung, die den erworbenen Kompetenzstand dokumentiert und in Bewerbungsunterlagen genutzt werden kann.

KI-Grundlagenwissen ist für Informatiker keine optionale Zusatzqualifikation mehr — es wird in immer mehr Stellenprofilen als Grundvoraussetzung formuliert. Wer versteht, wie LLMs intern funktionieren, kann fundierte Entscheidungen treffen: welches Modell für welche Aufgabe, wann RAG sinnvoller ist als Fine-Tuning, und wie man Risiken wie Halluzinationen oder Prompt Injection in produktiven Systemen kontrolliert. Dieses Wissen unterscheidet Entwickler, die KI nur verwenden, von denen, die KI-Systeme verantwortungsvoll bauen. Der praktische Ansatz dieses Seminars — eigene Projekte einbringen, live coden, Architekturfragen direkt mit erfahrenen Trainerinnen und Trainern diskutieren — macht den Unterschied gegenüber reinen Video-Kursen. Man verlässt den Kurs nicht nur mit theoretischem Wissen, sondern mit einem oder mehreren funktionierenden Prototypen und einer klaren Vorstellung davon, wie man das Gelernte in der nächsten Stelle oder im laufenden Job einsetzen kann. Für die mittelfristige Karriereentwicklung ist der Kurs ein strategischer Schritt: KI-kompetente Informatiker sind am deutschen Arbeitsmarkt stark nachgefragt, und der Bedarf wächst weiter. Absolventen können auf Basis des Erlernten weitere Spezialisierungen aufbauen — etwa in ML Engineering, AI Architecture oder LLM-Produktentwicklung — und damit ihre Berufsperspektiven dauerhaft und gezielt erweitern.