Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Dauer 28 Stunden
Schulungsübersicht
Der AI Forward Deployed Engineer
- Abgrenzung der Rolle gegenüber ML-Engineern und Solutions-Engineers
- Verantwortung für Ergebnisse statt lediglich für Meilensteine
- Zusammenarbeit mit Produkt-, Forschungs- und Sicherheitsteams
Discovery in komplexen Unternehmen
- Shadowing eines Workflows von Ende zu Ende
- Kartierung von Systemen, Daten und Übergabepunkten
- Identifizierung der Restriktion, die den Wertschöpfungsweg blockiert
Problemdefinition und Priorisierung
- Qualifizierung von Anwendungsfällen hinsichtlich der Machbarkeit
- Bewertung potenzieller Workflows anhand des Aufwands
- Auswahl des ersten Workflows für den Beweis der Machbarkeit
Nutzenbetrachtung und Akzeptanzkriterien
- Erfassung der Basiswerte (Baselining) vor dem Aufbau
- Geschäftssprache für Finanzverantwortliche (Sponsoren)
- Einigung auf Akzeptanzkriterien mit den Nutzenden
Modellwahl: Frontier- und Open-Weight-Modelle
- Vergleich von GPT-6, Claude 5.5 und offenen Modellen
- Kompromisse zwischen Kontext, Latenz und Stückkosten
- Fälle, in denen Datenregeln lokal gehostete Modelle erfordern
Kontext-Ingenieurwesen und Prompt-Design
- Strukturierung von Anweisungen für zuverlässiges Verhalten
- Zusammenstellung des Kontexts aus Systemen der Wahrheit (Systems of Record)
- Prompt-Caching und Token-Minimierung
Retrieval und Wissensgründung (Grounding)
- Zerlegung und Indizierung von Enterprise-Inhalten
- Hybride Suche, Re-Ranking und Zitation
- Evaluierung des Retrievals getrennt von der Generierung
Agenten und Werkzeugnutzung
- Design von Werkzeugen und typisierten Schnittstellen
- Entwicklung mit den Agent-SDKs von OpenAI und Claude
- Genehmigungen, Wiederholungen und Fehlerbehandlung
MCP und Enterprise-Integration
- Die Überarbeitung des Model Context Protocol vom 28.07.2026
- Aufbau und Absicherung von MCP-Servern
- Berechtigungsverwaltung von Werkzeugen gegenüber der Enterprise-Identität
Evaluierung als Sprache der Umsetzung
- Goldene Datensätze aus realer Arbeit aufgebaut
- Automatisierte Bewertung und LLM-Judges
- Release-Schwellenwerte gekoppelt an Eval-Limits
Guardrails, Sicherheit und menschliche Aufsicht
- Guardrails auf Prompt-, Werkzeug- und Politik-Ebene
- Escalation und Punkte für menschliche Prüfung
- Prüfspuren und Datenbearbeitungspflichten
Deployments-Architektur im Kunden-Umfeld
- Einschränkungen durch Identität, Netzwerk und Datenresidenz
- Modell-Gateway und Multi-Provider-Abstraktion
- Infrastructure as Code und Release-Prozess
Beobachtbarkeit, Kosten und Token-Ökonomie
- Verfolgung (Tracing) von Agentenläufen und Werkzeugaufrufen
- Dashboards für Qualität und Ausgaben
- Kostensenkung ohne Qualitätsverlust
Einführung und Change Management
- Qualifizierung der Personen, die die Arbeit erledigen
- Champion-Netzwerke und Feedback-Schleifen
- Messung der Adoptionsgeschwindigkeit
Vom Projekt zur wiederverwendbaren Fähigkeit
- Paketierung bewährter Workflows
- Playbooks, Blueprints und Beschleuniger (Accelerators)
- Übergabe an interne Teams
Voraussetzungen
- Sicherer Umgang mit Python, einschließlich der Arbeit mit APIs und virtuellen Umgebungen
- Kenntnisse von Cloud-Plattformen, Containern und Versionskontrollsystemen
- Vorerfahrung im Aufruf einer LLM-API oder bei der Entwicklung promptbasierter Funktionen
- Grundlegendes Verständnis von Enterprise-Systemen wie CRM, ERP oder Ticketing-Plattformen
Zielgruppe
- Forward-Deployed- und angewandte KI-Engineer
- Software-Engineer, die in die kundenorientierte KI-Bereitstellung wechseln
- Technische Berater und Lösungsarchitekten, die für KI-Rollouts verantwortlich sind
- Platform-Engineer, die produktionsreife KI-Workloads unterstützen
