LinkedIn
AT: +43 1 714 00 20 +43 1 714 00 20 DE: +49 69 348763610 +49 69 348763610 Mo-Fr 8-17 Uhr
Einloggen Registrierung

KI in Anwendungen integrieren

Teilnahmezertifikat von Spirit in Projects Foundation

Sie möchten das volle Potenzial von Large Language Models (LLMs) in der Praxis ausschöpfen und in Ihre bestehenden Systeme integrieren? Wenn Sie mehr über die verschiedenen Anwendungsszenarien erfahren und gemeinsam praxisnahe Lösungen erarbeiten möchten, dann freuen Sie sich auf dieses Training. Von der Textklassifizierung bis zur Systemintegration lernen Sie, wie Sie LLMs effektiv in Ihre Infrastruktur einbinden, moderne RAG-Architekturen aufbauen, Function Calling nutzen und eigene Lösungen für Ihre realen Problemstellungen entwickeln können.

Termine anzeigen Zurück zum Training
AI Expert

Ihre Lernziele

Praktische Erfahrung mit verschiedenen LLM-Anwendungsszenarien sammeln
Implementierung von State-of-the-Art NLP-Lösungen mit aktuellen Modellen
Integration von LLMs in bestehende Systemlandschaften
Verständnis für die Stärken und Grenzen verschiedener Modelltypen entwickeln
RAG (Retrieval-Augmented Generation) Architekturen aufbauen und optimieren
Function Calling und Tool Use für erweiterte Funktionalität einsetzen
Eigene LLM-basierte Lösungen konzipieren und umsetzen können

Zielgruppe

AI Expert Software Entwickler System Architect Software Architect und alle, die sich mit künstlicher Intelligenz beschäftigen möchten

Kursinhalt

1 1. Grundlagen der LLM-Integration
  • Architekturpatterns für LLM-basierte Systeme
  • REST-APIs und Microservices mit LLMs
  • Skalierbare Infrastrukturen für LLM-Anwendungen
  • Verschiedene Deployment-Optionen (Cloud, On-Premise, Hybrid)
  • Multi-Model-Strategien (GPT, Claude, Gemini, Open Source Modelle)
  • Security und Governance
2 2. Aktuelle LLM-Modelle und APIs (neu: 2026)
  • OpenAI GPT: Multimodale Fähigkeiten und API-Integration
  • Anthropic Claude: Large-Token Context Window, Tool Use
  • Google Gemini: Multi-Million-Token Context, Hybrid Reasoning
  • Open Source Modelle sicher einsetzen: Llama, Mistral, DeepSeek und weitere
  • Modellauswahl und Performance-to-Cost-Ratio
  • Praktische Übung: Vergleich verschiedener LLM-APIs für Use Cases
3 3. RAG (Retrieval-Augmented Generation) Architekturen
  • Grundlagen von RAG: Verbesserung der Faktentreue
  • Vektordatenbanken: Pinecone, Weaviate, Chroma, Qdrant
  • Embedding-Modelle und Vektor-Suche
  • Chunking-Strategien und Metadaten-Management
  • RAG-Pipeline-Optimierung
  • Hybride Ansätze: RAG + Fine-tuning
  • Praktische Übung: Aufbau eines RAG-Systems mit Vektordatenbank
4 4. Function Calling und Tool Use
  • Konzept von Function Calling
  • Integration externer Tools und APIs
  • Multi-Tool-Orchestrierung
  • Error Handling und Fallback-Strategien
  • Sicherheitsaspekte bei Tool Use
  • Praktische Übung: LLM mit externen Funktionen erweitern
5 5. Textklassifizierung und Sentimentanalyse
  • Aufbau von Klassifizierungspipelines
  • Feature-Extraktion mit Transformer-Modellen
  • Integration in Content-Management-Systeme
  • Batch- und Realtime-Processing
  • Praktische Übung: Integration eines Sentiment-Analyzers in eine bestehende Webanwendung
6 6. Informationsextraktion und Dokumentenverarbeitung
  • Multilinguale NER-Systeme
  • Integration mit Document Processing Pipelines
  • Anbindung an Dokumentenmanagementsysteme
  • Workflow-Integration
  • Praktische Übung: Entwicklung einer Dokumentenverarbeitungspipeline mit LLM-Integration
7 7. Chatbots und Dialogsysteme
  • Integration mit Messaging-Plattformen
  • Anbindung an CRM-Systeme
  • Kontextmanagement und Sessionhandling
  • Memory-Strategien für längere Konversationen
  • Monitoring und Logging
  • Praktische Übung: Integration eines LLM-basierten Chatbots in eine Unternehmensplattform
8 8. Entwicklungs-Frameworks und Tools
  • LangChain: Modular Workflows und Memory Handling
  • LlamaIndex: Spezialisierung auf RAG-Anwendungen
  • Semantic Kernel (Microsoft): Enterprise-Integration
  • Hugging Face: Open-Source-Modelle und Transformers
  • Praktische Übung: Anwendungsentwicklung mit LangChain
9 9. Observability und Monitoring
  • LangSmith für LLM-Debugging und Tracing
  • Weights & Biases für Experiment-Tracking
  • Logging von Prompts und Responses
  • Performance-Metriken und Latency-Monitoring
  • Kostenkontrolle und Budgetierung
  • Praktische Übung: Monitoring-Setup für LLM-Anwendungen
10 10. Systemintegration und Produktivbetrieb
  • API-Design und -Management
  • A/B-Testing und Gradual Rollout
  • Fehlerbehandlung und Fallback-Strategien
  • Skalierung und Load Balancing
  • Fine-tuning und Anpassungsmethoden
  • Praktische Übung: Implementierung eines vollständigen LLM-Service mit Monitoring und Failover

Zertifizierung

Für dieses Training erhalten Sie ein Teilnahmezertifikat von Spirit in Projects.

Mehr zu Zertifizierungen

Nach dem Kurs empfehlen wir

Grundlagen des Deep Learning
KI und Datenethik in Projekten
AI Testing (Testen von KI-basierten Systemen)

Kurs auf einen Blick

  • Zertifizierung Teilnahmezertifikat von Spirit in Projects
  • Level Foundation
  • Dauer 2 Tage
  • Frühbucherpreis EUR 1.290,-- exkl. MwSt. Normalpreis EUR 1.490,-- exkl. MwSt.
Termine anzeigen

Zertifizierte Trainings

International anerkannte Zertifizierungen für Ihre Karriere.

Erfahrene Trainer

Lernen Sie von kompetenten Experten mit Praxiserfahrung.

Flexible Formate

Webinare, Videotrainings oder Präsenz – ganz nach Ihren Bedürfnissen.