Wer KI-Anwendungen strukturiert aufbauen will, braucht ein fundiertes Verständnis von ML-Workflows und deren Bestandteilen. Die Umsetzung reicht dabei von der Datenaufbereitung bis zur Integration in Anwendungen. Der Inhalt rückt diese Arbeitsschritte in den Mittelpunkt.

!Kursinhalt

!1. Vom Anwendungsfall zum ML-Workflow
*Anforderungsaufnahme für KI-Lösungen
*Abgrenzung zu klassischen Anwendungen
*Rollen in KI-Projekten

!2. ML-Workflows strukturieren
*Phasen von Daten bis Deployment
*Experimente und Nachvollziehbarkeit
*Dokumentation im Entwicklungsprozess

!3. Modelle in Anwendungen einbetten
*Schnittstellen zwischen Modell und Software
*Vorhersagen im Anwendungsfluss
*Fehler- und Grenzfälle

!4. Weiterentwicklung von KI-Anwendungen
*Feedback und Modellupdates
*Versionierung von Modell und Code
*Zusammenarbeit mit Fachbereichen

!Berufliche Relevanz

*Brücke zwischen Data Science und Softwareentwicklung
*Strukturierter Umgang mit KI-Projekten
*Solide Basis für produktive ML-Arbeit