#### Zielgruppe Dieser Kurs richtet sich an Personen, die ihre Kenntnisse im Bereich der Künstlichen Intelligenz (KI) vertiefen möchten, um solche Systeme auch für die eigenen Tätigkeiten erfolgreich und sicher einsetzen zu können. Ein Zugang zu KI.Connect wird zur Verfügung gestellt. #### Lernziele • Prompting-Methoden anwenden: Sie nutzen gezielt Techniken wie Rollenvergabe (Persona), Kontext und Few-Shot-Prompting, um präzise und qualitativ hochwertige Texte zu generieren. • Verwaltungsprozesse unterstützen: Sie setzen KI sinnvoll für konkrete Aufgaben wie das Formulieren von Beschlussvorlagen, das Zusammenfassen von Protokollen oder die Kommunikation mit Studierenden ein. • Tools einschätzen: Sie haben einen Überblick über vorhandene KI-Tools an Hochschulen und kennen deren Grenzen sowie Möglichkeiten. • Sicherheitsrisiken managen: Sie erkennen datenschutzrechtliche Fallstricke (Cloud vs. Lokal) und führen eine eigenständige Risikobewertung ihrer Prompts durch (inkl. Verständnis relevanter AI-Act-Szenarien). • Ethisch reflektiert arbeiten: Sie sind sich der Themen Bias und Transparenz bewusst und können KI-generierte Inhalte kritisch prüfen. • Transfer in den Alltag sicherstellen: Sie entwickeln „Master-Prompts“ für wiederkehrende Aufgaben in ihrem eigenen Arbeitsumfeld, um die Zeitersparnis direkt nach der Schulung zu realisieren. #### Themen - Austausch & Prompting-Methoden • Begrüßung & Blitzlicht-Umfrage (Erhebung der Use-Cases) • Handwerkszeug des Promptings (Persona, Kontext, Formatierung, Few-Shot) • Live-Demo & offene Fragerunde zur Methodik - Tools, Use Cases & Sicherheit • Vorstellung hochschulspezifischer KI-Tools und deren Grenzen • Anwendungsfälle in Verwaltung, kaufmännischem Bereich & Forschungsförderung • Sicherheit, Datenschutz (Lokal vs. Cloud) & Risikobewertung nach AI-Act - Das „Arbeitstaglabor“ (Praxisphase) • Einführung in praxisnahe Aufgabenstellungen • Individuelle Arbeit in Breakout-Sessions (inkl. integriertem Sicherheits-Check) • Vorstellung der Ergebnisse & Live-Feedback - Transfer, Ethik & Abschluss • Ethische Aspekte: Bias, Diskriminierung & Transparenz • Transferaufgabe: Entwicklung von Master-Prompts für den eigenen Alltag • Tipps für den effektiven Umgang mit KI & Abschluss

#### Zielgruppe Das Seminar richtet sich an IT-Beschäftigte und technische Fachkräfte im Hochschulumfeld, die ein fundiertes Verständnis für Architektur, Betrieb und Implementierung von KI-Anwendungen aufbauen möchten. Es wendet sich an Teilnehmende mit bestehenden IT-Grundkenntnissen, die für die Konzeption, den Betrieb oder die Weiterentwicklung intelligenter Systeme verantwortlich sind. #### Lernziele Technische Fundierung: • Verständnis der technischen Funktionsweise von LLMs (Tokenisierung, Embeddings, Transformer-Architekturen) • Fähigkeit zur Unterscheidung und Bewertung verschiedener RAG-Architekturen (Naive RAG, Graph RAG, hybride Ansätze) • Kenntnisse zur fundierten Modellauswahl unter Berücksichtigung von Parametern, Quantisierung und Lizenzmodellen (Open Source vs. kommerziell) Betriebliche Umsetzung: • Kompetenz zur Einschätzung von Systemlast, Performance-Kennzahlen (TPS, TTFT) und Betriebskosten • Praktische Fähigkeiten zur Integration von KI über APIs (OpenAI-Standard, lokale APIs) • Know-how für den eigenständigen Betrieb von Modellen (Hosting-Modelle, Hardware-Bedarf, Performance-Tuning) Entwicklungspraxis: • Beherrschung des Entwicklungsprozesses für Chatbots einschließlich Datenaufbereitung, System-Prompting und Qualitätssicherung • Einblick in konkrete Betriebserfahrungen und Anwendungsszenarien im Hochschulkontext #### Themen Tag 1: Architektur & Hintergründe – Wie funktioniert KI technisch? • Grundlagen der KI-Technik: Transformer, Tokens, Embeddings • RAG-Methoden im Detail: Naive, Advanced und Graph RAG, hybride Suchverfahren • Modellauswahl & -bewertung: Quantisierungsstrategien, Parametergrößen, Open Source vs. kommerzielle Lösungen • Systemarchitektur: Lastabschätzung, Kostenanalyse, API-Key-Management und Performance-Metriken (TPS, TTFT) Tag 2: Anwendung, Betrieb & Entwicklung – KI praktisch umsetzen • KI als API & Integration: Anbindung über Standardschnittstellen und lokale APIs • LLM-Betrieb: Infrastrukturanforderungen, Hosting-Optionen, Hardware-Ressourcen und Performance-Optimierung • Chatbot-Engineering: Implementierungsprozess von der Datenaufbereitung über Prompt-Engineering bis zur QS • Praxisbezug: Erfahrungsberichte, konkrete Beispiele aus dem Hochschulumfeld und Diskussion von Implementierungsstrategien