Kurs · 12 Kapitel
KI-Engineering-Grundlagen
KI-Features in Produktion bringen: Prompting, RAG, strukturierte Ausgaben, Fine-Tuning und Inferenz-Optimierung. Praxisnah, kostenlos, 12 Kapitel (~4.3h) für Entwickler.
Das wirst du können
- Strukturierte, testbare Prompts schreiben
- Eine RAG-Pipeline von Anfang bis Ende bauen
- Typsichere strukturierte Ausgaben generieren
- Modelle mit LoRA fine-tunen
- KI-Latenz und -Kosten senken
- Multimodale KI-Pipelines entwickeln
Was drin ist
- 1AI Engineering Foundations: Intro
Die Karte des AI Engineering Foundations Skill Path — was die Kapitel vermitteln, wie sie zusammenhängen und wo du anfangen solltest.
- 2Die Kunst des Prompt Engineering
Schreibe Prompts, die wie Programme funktionieren — strukturiert, testbar und durchgehend effektiv.
- 3Context Engineering
Die Kunst und Wissenschaft, optimalen Kontext für KI-Agenten zu kuratieren.
- 4Structured Outputs & Schema Engineering
Baue typsichere KI-Pipelines, die jedes Mal exakt die Datenstruktur liefern, die du brauchst.
- 5RAG-Grundlagen: Vom Chat zum Retrieval
Baue die minimale RAG-Pipeline — chunken, embedden, speichern, abrufen, augmentieren, generieren — in schlichtem Code.
- 6RAG Engineering
Bringe das Retrieval-Rückgrat in die Produktion — Embeddings-Deep-Dive, Chunking-Strategien, Dokumentenverarbeitung, fortgeschrittene Patterns und Evaluation. Setzt RAG Foundations voraus.
- 7Fine-Tuning für AI Engineers
Wann, warum und wie du LLMs fine-tunest – von der Dataset-Vorbereitung bis zum Production-Deployment.
- 8Multimodales AI Engineering
Baue Produktionssysteme mit Vision-APIs, Dokumentenextraktion und multimedialer KI.
- 9Dataset Engineering
Erstelle die Datasets, die KI-Systeme tatsächlich funktionieren lassen — von synthetischer Generierung bis zu Eval-Suiten.
- 10Prompt-Caching & Inferenz-Optimierung
Mache LLM-Inferenz schneller, günstiger und effizienter — von der KV-Cache-Mechanik bis zu Serving-Strategien in der Produktion.
- 11Context Engineering für Wissenssysteme
Architektiere Wissensbasen, die KI-Agenten navigieren, abrufen und darauf handeln können.
- 12Post-Training: DPO, GRPO & RL für LLMs
Wähle den richtigen Post-Training-Algorithmus – Preference Optimization, Reasoning RL und Agent RL – ohne in Research-Papers zu ertrinken.
Häufige Fragen
- Was lerne ich in KI-Engineering Grundlagen?
- Du lernst, KI-Systeme für die Produktion zu bauen: Prompt- und Kontext-Engineering, strukturierte Ausgaben, RAG-Pipelines vom Chunking bis zum Retrieval, Fine-Tuning mit SFT und LoRA, multimodale Verarbeitung, Dataset-Engineering, Inferenz-Optimierung sowie Post-Training-Methoden wie DPO und GRPO. Jedes Kapitel ist praxisnah und direkt am Code ausgerichtet.
- Für wen ist dieser Kurs gedacht?
- Er richtet sich an Softwareentwickler, die echte KI-Features umsetzen wollen – nicht nur mit Chatbots experimentieren. Vorausgesetzt wird, dass du Code lesen und schreiben kannst und die Techniken hinter RAG, Fine-Tuning und strukturierter Generierung wirklich verstehen möchtest.
- Brauche ich Vorkenntnisse in KI oder Machine Learning?
- Du brauchst allgemeine Programmiererfahrung, aber keine Vorkenntnisse im Bereich Machine Learning. Der Kurs ist auf Praktiker-Niveau ausgelegt und erklärt jede Technik – wie Embeddings, Retrieval und LoRA – direkt beim Anwenden.
- Wie lang ist der Kurs und wie ist er aufgebaut?
- Der Kurs umfasst 12 Kapitel mit insgesamt etwa 4.3 Stunden (257 Minuten). Er beginnt mit einem Einführungskapitel, das alle Themen überblickt, damit du weißt, wo du anfängst und wie die Kapitel zusammenhängen – danach geht es durch Prompting, RAG, Fine-Tuning, Multimodalität und Inferenz-Optimierung.
- Ist KI-Engineering Grundlagen kostenlos?
- Ja, dieser Kurs ist kostenlos. Du erhältst alle 12 Kapitel zu Prompting, RAG, Fine-Tuning, multimodaler KI und Inferenz-Optimierung – ohne Kosten.
Zertifikat erhalten
Schließe alle Kapitel ab, um dein Abschlusszertifikat zu erhalten.