Künstliche Intelligenz

Maschinelles Lernen, Deep Learning und Cloud-basierte KI-Dienste sind keine Zukunftsmusik mehr – sie prägen heute den Arbeitsalltag in Unternehmen aller Branchen. Diese Weiterbildung schlägt den Bogen von den konzeptionellen Grundlagen künstlicher Intelligenz bis hin zur operativen Bereitstellung vollständiger KI-Systeme auf der Microsoft-Azure-Plattform. Ergänzt wird das technische Kerncurriculum durch ein betriebswirtschaftliches Modul, das zeigt, wie KI-Investitionen bewertet, ethische Leitlinien verankert und Datenschutzanforderungen erfüllt werden. Das Ergebnis: Teilnehmende können KI-Projekte strategisch denken und technisch umsetzen.

Modul 1 – Grundlagen der Künstlichen Intelligenz Dieses Einstiegsmodul legt das konzeptionelle Fundament für alle weiteren Lerneinheiten. Neben der historischen Entwicklung von KI-Systemen stehen aktuelle Technologietrends im Mittelpunkt: neuronale Netze, generative Modelle und die gesellschaftlichen Wechselwirkungen, die der KI-Einsatz erzeugt. Anhand eines Klassifikationsprojekts mit Kundendaten wird das Gelernte sofort praktisch verankert.

• Einführung in die Geschichte und Konzepte der Künstlichen Intelligenz
• Maschinelles Lernen: Supervised, Unsupervised und Reinforcement Learning im Vergleich
• Deep Learning und neuronale Netze – Aufbau und Funktionsweise
• Generative KI-Modelle und Large Language Models (z. B. GPT-Architektur)
• Gesellschaftliche und wirtschaftliche Auswirkungen des KI-Einsatzes
• Praxisprojekt: Klassifikationsmodell für Kundendaten

Modul 2 – Microsoft DP-100: Azure Data Scientist Associate Dieses Modul führt tief in die Azure-Machine-Learning-Plattform ein. Teilnehmende lernen, Daten strukturiert aufzubereiten, Feature-Engineering-Pipelines zu bauen und Modelle gezielt zu trainieren, zu evaluieren und für den Produktivbetrieb bereitzustellen. Besonderes Gewicht liegt auf Skalierung und automatischem Monitoring, damit ML-Lösungen langfristig stabil laufen.

• Azure Machine Learning Workspace – Einrichtung und Workflow-Management
• Datentransformation, Feature Engineering und Datenaufbereitung mit Azure-Pipelines
• Modelltraining, Hyperparameteroptimierung und Cross-Validation
• Evaluation von ML-Modellen und Auswahl geeigneter Metriken
• Deployment von Modellen als Azure-Endpunkte (Echtzeit und Batch)
• Monitoring, Datendrift-Erkennung und Wartung produktiver Modelle

Modul 3 – Microsoft AI-102: Azure AI Engineer Associate Hier geht es darum, vorgefertigte und eigene KI-Modelle produktiv in Cloud-Anwendungen zu integrieren. Azure Cognitive Services decken ein breites Spektrum ab – von Bilderkennung über Sprachverarbeitung bis hin zu Entscheidungssystemen. Zusätzlich zeigt dieses Modul, wie Azure OpenAI für Chat- und Textverarbeitungsanwendungen genutzt wird.

• Azure Cognitive Services im Überblick: Vision, Speech, Language und Decision
• Integration von Text-Analyse- und Übersetzungs-APIs in Unternehmensanwendungen
• Azure OpenAI Service: Grundkonfiguration, Prompting und API-Nutzung
• Bild- und Sprachverarbeitung in Cloud-nativen Anwendungen
• Sicherheitskonzepte, Zugriffssteuerung und Kostenkontrolle für KI-APIs
• Praxisprojekt: KI-gestützte Chat-Anwendung mit Azure Language Services

Modul 4 – CertNexus AIBIZ: Artificial Intelligence for Business Professionals Dieses Modul wechselt die Perspektive: Statt Entwicklungswerkzeuge stehen Entscheidungsgrundlagen im Vordergrund. Teilnehmende lernen, den wirtschaftlichen Nutzen von KI-Initiativen zu bewerten, Risiken durch Datenschutzregeln und ethische Leitlinien zu managen und Change-Management-Prozesse bei der KI-Einführung zu begleiten.

• Anwendungsfelder von KI in Produktion, Marketing, Vertrieb und HR
• Wirtschaftliche Bewertung von KI-Projekten: ROI-Modelle und Nutzenkalkulation
• Datenschutz, DSGVO-Konformität und Compliance bei KI-Systemen
• Ethische Leitlinien und Verantwortung im KI-Einsatz
• Change Management und organisatorische Einbettung von KI-Projekten
• Praxisprojekt: Entwicklung eines Business Case für eine KI-Einführung in der Produktion

Modul 5 – Praxisprojekt: End-to-End-KI-System Im Abschlussprojekt verbinden Teilnehmende alle erlernten Kompetenzen zu einem vollständigen KI-System – von der Datenakquise über das Modelltraining bis zur öffentlich zugänglichen API. Das Projekt wird dokumentiert und präsentiert, was zugleich auf die Zertifizierungsprüfungen vorbereitet.

• Planung und Scoping eines realen ML-Projekts
• Datenbeschaffung, Bereinigung und explorative Analyse
• Modellauswahl, Training und Evaluation in Azure ML
• Integration von Cognitive-Services-APIs in den Workflow
• Deployment als produktiver Azure-Endpunkt
• Visualisierung und Auswertung der Modellergebnisse
• Dokumentation und strukturierte Projektpräsentation
• Einbettung des Projekts in einen übergeordneten Business Context
• Peer-Review und gemeinsames Durcharbeiten kritischer Stellen
• Abschlussbesprechung mit individuellem Feedback
• Vorbereitung auf die Prüfungen DP-100 und AI-102 anhand konkreter Aufgabenstellungen
• Diskussion typischer Prüfungsformate und häufiger Fehlerquellen

Der kombinierte Lernansatz aus synchronen Online-Einheiten, eigenständigen Übungsphasen und Praxisprojekten sorgt dafür, dass das Wissen nicht nur theoretisch verankert, sondern unmittelbar anwendbar wird. Teilnehmende arbeiten mit echten Azure-Ressourcen und realen Datensätzen – kein isoliertes Sandbox-Lernen, sondern produktionsnahes Training.

Diese Weiterbildung richtet sich an Personen, die den Schritt in professionelle KI-Rollen gehen oder ihre bestehenden technischen Kenntnisse gezielt um KI-Kompetenz erweitern möchten.

• Data Scientists und Analysten, die ML-Modelle auf Azure operationalisieren wollen
• IT-Fachkräfte mit Programmier- oder Datenbankgrundlagen, die in KI-Projekte einsteigen
• Softwareentwicklerinnen und -entwickler, die KI-APIs in eigene Produkte integrieren möchten
• Quereinsteiger mit IT-Affinität und Interesse an datengetriebenen Technologien
• Führungskräfte im technischen Bereich, die KI-Projekte fachkundig steuern möchten

Der Kurs findet im Combined-Learning-Format statt, das heißt: angeleitete Online-Lerneinheiten wechseln sich mit eigenverantwortlichen Übungs- und Projektphasen ab. Beide Formate – Vollzeit und Teilzeit – sind verfügbar, sodass Teilnehmende den Lernrhythmus an ihre Lebensumstände anpassen können. Praktische Laborumgebungen in Azure ermöglichen es, alle Konzepte unmittelbar auszuprobieren. Lehrende begleiten die Projektarbeit mit Feedback, nicht mit vorgefertigten Lösungen – eigenständiges Problemlösen steht im Vordergrund.

Die Gesamtdauer variiert je nach gewähltem Zeitmodell. Im Vollzeitformat (ca. 6–8 Stunden täglich) kann der Kurs in wenigen Wochen abgeschlossen werden; im Teilzeitmodell verteilt sich der Lernaufwand auf mehrere Monate. Die fünf Module bauen aufeinander auf, weshalb die angegebene Reihenfolge empfohlen wird. Lernen auf Abruf ist möglich – aufgezeichnete Einheiten stehen für die Nachbereitung bereit. Der Gesamtumfang umfasst sowohl die formalen Lernstunden als auch die Projektarbeit.

Wer den Kurs erfolgreich abschließt, erhält eine qualifizierte Teilnahmebescheinigung, die den absolvierten Inhalt dokumentiert. Parallel bereitet der Kurs auf drei externe Zertifizierungsprüfungen vor: Microsoft DP-100 (Azure Data Scientist Associate), Microsoft AI-102 (Azure AI Engineer Associate) und CertNexus AIBIZ. Diese Prüfungen werden bei akkreditierten Prüfungszentren abgelegt; Prüfungsgebühren sind gesondert zu planen. Das DP-100- und AI-102-Zertifikat von Microsoft genießt international breite Anerkennung und ist für Rollen im Bereich KI-Entwicklung und Datenanalyse ein relevantes Qualifikationssignal.

Der Markt für KI-Fachkräfte wächst schneller als Hochschulen und klassische Berufsausbildungen Nachwuchs produzieren können. Wer heute fundierte Azure-KI-Kenntnisse vorweist und dies durch anerkannte Microsoft-Zertifikate belegt, steht in Bewerbungsverfahren klar besser da als Kandidatinnen und Kandidaten mit reinem Theoriehintergrund. Die Kombination aus DP-100, AI-102 und AIBIZ deckt sowohl technische Tiefe als auch betriebswirtschaftliche Breite ab – eine Kombination, die in gemischten KI-Teams besonders gefragt ist. Durch die praxisnahe Projektarbeit in echten Azure-Umgebungen bauen Teilnehmende ein Portfolio auf, das im Vorstellungsgespräch konkret vorgezeigt werden kann. Statt abstrakter Aussagen über „KI-Erfahrung" lassen sich abgeschlossene End-to-End-Projekte, Deployment-Artefakte und ausgewertete Modellergebnisse präsentieren – das schafft Glaubwürdigkeit. Darüber hinaus vertieft das AIBIZ-Modul die Fähigkeit, KI-Projekte gegenüber nicht-technischen Stakeholdern zu vertreten: Kosten-Nutzen-Argumente zu formulieren, Datenschutzbedenken sachlich zu entkräften und Change-Management-Prozesse zu begleiten. Diese Querschnittskompetenz macht Absolventinnen und Absolventen zu wertvollen Brückenbauern zwischen technischen Teams und Unternehmensführung.