Building Agentic Systems
Schulung & Kurs

Kursinhalt:

Dieses Training richtet sich an Entwickler und Software-Architekten, die agentic AI-Systeme für Datenverarbeitung und Geschäftsprozessautomatisierung entwickeln möchten. Der Kurs ist framework-unabhängig und vermittelt Grundlagen, Konzepte und Entscheidungskriterien anhand praktischer Beispiele.

Der Kurs besteht aus den folgenden Themen und kann je nach Publikum erweitert oder angepasst werden. Für Inhouse-Kurse gibt es eine Auswahl an Technologien und Szenarien, die gewählt werden können, um besser zum Publikum zu passen.

– Grundlagen Generative AI und Large Language Models:
... - Überblick über aktuelle LLM-Landschaft und Modelltypen
... - Tokens, Context Windows und Modell-Eigenschaften
... - Prompt Engineering Techniken und Best Practices
... - API-Integration: OpenAI API, Azure OpenAI, lokale Modelle
... - Praktische Code-Beispiele und Aufbau eines einfachen LLM-Harness

– Das Model Context Protocol (MCP):
... - MCP-Architektur und Konzepte
... - MCP-Server und -Clients implementieren
... - Tool-Definitionen und Resource-Bereitstellung via MCP
... - Integration von MCP in bestehende Anwendungen
... - Hands-On: MCP-Server für einen Business-Prozess

– Retrieval Augmented Generation (RAG):
... - RAG-Architektur und Designmuster
... - Embedding-Modelle und Vector-Datenbanken
... - Chunking-Strategien und Indexierung
... - Hybrid Search und Reranking
... - RAG-Pipeline-Optimierung und Evaluation
... - Hands-On: RAG-System für Dokumentenverarbeitung

– Self-Hosting von AI-Modellen:
... - Überblick: Wann Self-Hosting, wann Cloud-APIs?
... - Ollama und lokale Inferenz für Entwicklung und Produktion
... - ONNX Runtime und Model-Formate
... - Quantisierung und Performance-Optimierung
... - Deployment-Strategien für selbst-gehostete Modelle

– Modellevaluierung und -auswahl:
... - Evaluierungskriterien: Qualität, Latenz, Kosten, Datenschutz
... - Benchmarking-Methoden für LLMs
... - Systematischer Modellvergleich für spezifische Use Cases
... - Evaluierungs-Frameworks und Metriken
... - Hands-On: Modellvergleich für einen konkreten Anwendungsfall

– Fine-Tuning Bewertung und Strategie:
... - Wann Fine-Tuning, wann RAG, wann Prompt Engineering?
... - Entscheidungsmatrix für den richtigen Ansatz
... - Fine-Tuning-Konzepte: LoRA, QLoRA und Parameter-Efficient Fine-Tuning
... - Datenaufbereitung und Trainings-Pipelines
... - Kosten-Nutzen-Analyse von Fine-Tuning

– AI-Agents Grundlagen und Patterns:
... - Agent-Konzepte: Perception, Reasoning, Action
... - Agent-Patterns: ReAct, Planning, Reflection
... - Tool-Calling und Function-Calling
... - Orchestrierung und Kontrollfluss
... - Hands-On: Einfachen Agent-Harness und Agent für Datenverarbeitung entwickeln

– Multi-Agent-Systeme und Workflows:
... - Multi-Agent-Architekturen und Kommunikationsmuster
... - Orchestrierung vs. Choreographie
... - Agent-Koordination und Aufgabenverteilung
... - Human-in-the-Loop Integration
... - Hands-On: Multi-Agent Workflow für Geschäftsprozess

– Datenverarbeitung und Business-Prozesse mit AI:
... - Dokumentenverarbeitung und -extraktion
... - Strukturierte Datenanalyse mit LLMs
... - Workflow-Automatisierung mit AI-Agents
... - Integration in bestehende Geschäftsprozesse
... - Error Handling und Robustheit in AI-Pipelines

– Architektur und Produktion:
... - Architekturmuster für agentic AI-Systeme
... - Security: Input-Validierung, Content-Filtering, Guardrails
... - Logging, Monitoring und Observability
... - Testing-Strategien für AI-Systeme
... - Skalierung und Performance-Überlegungen

Dieser Kurs kombiniert theoretisches Wissen mit intensiver praktischer Anwendung und bereitet Dich darauf vor, fundierte Entscheidungen zu treffen und produktionsreife agentic AI-Systeme zu entwickeln. Die Themen werden durch Code-Beispiele und praktische Übungen begleitet.

Disclaimer: Der effektive Kursinhalt kann, abhängig vom Trainer, Durchführung, Dauer und Konstellation der Teilnehmer:innen von obigen Angaben abweichen.

Ob wir es Schulung, Kurs, Workshop, Seminar oder Training nennen, wir möchten Teilnehmer/innen an ihrem Punkt abholen und mit dem nötigen praktischen Wissen ausstatten, damit sie die Technologie nach der Schulung direkt anwenden und eigenständig vertiefen können.