Industrielle KI: Grundlagen und Anwendungsgebiete (Bachelor, SoSe26, Deutsch)

Generative Künstliche Intelligenz und Large Language Models (LLMs) verändern massiv, wie wir zukünftig arbeiten, Daten verarbeiten und Probleme lösen. Doch wie nutzt man diese Technologien zielgerichtet, effizient und vor allem sicher? Diese praxisorientierte Lehrveranstaltung vermittelt Ihnen die methodischen und technischen Grundlagen, um KI-Werkzeuge nicht nur als reiner Endanwender zu bedienen, sondern als Gestaltungsobjekt für innovative Lösungen zu begreifen.

Was Sie lernen werden: Wir starten mit den absoluten Basics der Künstlichen Intelligenz und tauchen Schritt für Schritt in fortschrittlichere Konzepte ein. Zu den Kerninhalten gehören:

• KI- und LLM-Grundlagen: Funktionsweise von Large Language Models und modernen GenAI-Tools.

• Prompt & Context Engineering: Von der systematischen Gestaltung effektiver Prompts bis hin zu RAG (Retrieval-Augmented Generation), um KI mit eigenem Wissen anzureichern.

• Daten & Agenten: Umgang mit unstrukturierten Daten, Nutzung von APIs und das Design von "Agentic AI Workflows" (KI-Systeme, die eigenständig Aufgaben lösen).

• Sicherheit & Bewertung: Regulatorische Rahmenbedingungen, KI-Sicherheit (inklusive der Abwehr von Prompt Injections) sowie die kritische Bewertung von KI-Anwendungen in der Praxis.

Die Veranstaltung lebt von der Kombination aus theoretischem Input und direkter Anwendung. In den Vorlesungen und spannenden Gastvorträgen erlernen Sie das nötige Rüstzeug. In den begleitenden Übungen setzen Sie dieses Wissen sofort in die Tat um: In vier aufeinander aufbauenden "Challenges" arbeiten Sie hands-on an echten Anwendungsfällen – vom grundlegenden Prompting bis hin zur Lösung komplexer, zusammenhängender KI-Szenarien.

Portfolioprüfung: Details werden in der Veranstaltung bekanntgegeben

Werden in der Lehrveranstaltung bekanntgegeben

Banh, L., & Strobel, G. (2023). Generative artificial intelligence. Electronic Markets.
Denning, P. J. (2025). Generative AI. Ubiquity (ACM publication).
Denning, P. J. (2025). In Large Language Models We Trust? Communications of the ACM.
Feuerriegel, S., Hartmann, J., Janiesch, C., & Zschech, P. (2024). Generative AI. Business & Information Systems Engineering, 66(1), 111–126.
Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(3), 685–695.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., & Neubig, G. (2023). Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing. ACM Computing Surveys, 55(9), Article 195.
Russinovich, M., Salem, A., Zanella-Béguelin, S., & Zunger, Y. (2025). The Price of Intelligence. Communications of the ACM.
Simon, H. A. (1995). Artificial intelligence: an empirical science. Artificial Intelligence, 77(1), 95–127.

Weitere Informationen folgen bald