- Tag 1 - Grundlagen und schneller Einstieg
- Überblick: LLM-Workflows und Python-Ökosystem (OpenAI, Hugging Face, LangChain, PydanticAI)
- Prompting-Techniken und Briefing-Files in Python
- Rollen, Regeln und Stilvorgaben programmatisch testen
- Übungen: Prompts in Python-Skripten umsetzen und vergleichen
- Grenzen von Prompting in realen Projekten
- Tag 2 - Modelle anpassen mit Fine-Tuning
- Fine-Tuning-Konzepte: klassisch vs. LoRA/PEFT
- Anforderungen: Datenformate (JSONL), Tools, Kosten
- Python-Beispiele mit Hugging Face Transformers und PEFT
- Übungen: Mini-Fine-Tuning mit kleinem Datensatz
- Bewertung mit Python-Scorecards (Genauigkeit, Kohärenz, Bias, Sprachfluss)
- Tag 3 - Wissensintegration mit RAG
- Architektur von RAG und Python-Tools (LangChain, LlamaIndex, Chroma/FAISS)
- Tokens und Embeddings verstehen
- Typische Anwendungsfälle und Stärken von RAG
- Übungen: Aufbau einer Mini-RAG-Pipeline in Python mit Dokumentenabfrage
- Best Practices: Kombination aus RAG und Fine-Tuning
- Infrastruktur: Python-Anbindung via API vs. Self-Hosting-Lösungen
- Agenten-Workflows: Konzepte und Vorteile (z. B. PydanticAI)
- Übungen: Einfache Agenten, die mehrere Tools orchestrieren
- Abschlussprojekt
- Entwicklung eines prototypischen LLM-Workflows in Python für einen Praxis-Use-Case
LernzieleSie verstehen nach dem Seminar die drei zentralen Ansätze Prompting, Fine-Tuning und Retrieval-Augmented Generation (RAG) und können diese mit Python umsetzen. Sie bereiten Daten korrekt auf, bewerten Modelle objektiv und wählen die passende Methode für konkrete Anwendungsfälle. Darüber hinaus kennen Sie typische RAG-Architekturen und orchestrieren einfache Agenten-Workflows mit PydanticAI.
ZielgruppenDieses Seminar richtet sich an Python-Entwickler und Data Scientists, die LLMs in Projekten einsetzen möchten, an IT-Consultants und Architekten, die effiziente KI-Workflows für Teams entwickeln wollen, sowie an alle, die praktisches Wissen über moderne LLM-Anwendungen aufbauen und weitergeben möchten.
Es eignet sich besonders für Fachkräfte, die sich mit dem praktischen Einsatz von generativer KI beschäftigen und praxisorientierte Lösungen suchen.
Voraussetzungen
Sie benötigen grundlegende Python-Kenntnisse, um den praktischen Übungen gut folgen zu können.
Erfahrung mit JSON, APIs oder Machine-Learning-Konzepten ist hilfreich, aber nicht zwingend erforderlich.
Ein grundlegendes Verständnis für KI und maschinelles Lernen erleichtert den Einstieg, ist jedoch nicht Voraussetzung.
