Phase 1: Willkommen, Python & Projektmanagement-Grundlagen
- Die Entwicklungsumgebung mit VS Code, Kommandozeile und Git einrichten und erste Schritte in Python gehen.
- Den Lebenszyklus von KI-Projekten kennenlernen.
- Die eigene Arbeitsorganisation von Tag eins an agil strukturieren – mit Scrum, Kanban und Miro.
Phase 2: Stakeholder-Management und explorative Datenanalyse
- Professionelle Datenverarbeitung mit SQL sowie Pandas und NumPy.
- Eine vollständige explorative Datenanalyse inklusive Datenbereinigung durchführen und Muster in Rohdaten erkennen.
- Erkenntnisse mit strategischem Stakeholder-Management verknüpfen und per datengetriebenem Storytelling präsentieren.
Phase 3: Machine-Learning-Grundlagen – Klassifikation und Regression
- Algorithmen für Regression und Entscheidungsbäume mit scikit-learn trainieren.
- Modellqualität anhand mathematischer Metriken bewerten und die Balance zwischen Bias und Varianz optimieren.
- Technische Konzepte in die Geschäftspraxis übersetzen: Anforderungen als agile User Stories und messbare OKRs formulieren.
Phase 4: User Stories, Softwarearchitektur, Daten-Compliance und Design Thinking
- Ein grundlegendes Verständnis für Softwarearchitektur aufbauen.
- Die Vorgaben von DSGVO und EU AI Act verstehen und anwenden.
- Mit Design Thinking das zentrale Machine-Learning-Datenprodukt strategisch planen.
Phase 5: Fortgeschrittenes ML und Durchführung von ML-Projekten
- Das ML-Modell für das eigene Hauptprojekt bauen.
- Fortgeschrittene Techniken wie Feature Engineering und Ensemble-Methoden in scikit-learn anwenden.
- Per Machbarkeitsanalyse und Leistungsoptimierung zum einsatzbereiten Datenprodukt.
Phase 6: Priorisierung, A/B-Tests, Roadmapping und neuronale Netze
- KI-Produkte strategisch weiterentwickeln und neue Features mit A/B-Testing-Frameworks im Live-Betrieb validieren.
- Der Schritt ins Deep Learning: künstliche neuronale Netze für komplexere Datenstrukturen.
- Auf Management-Ebene: Aufwandsschätzung, Priorisierung und langfristige Produkt-Roadmaps.
Phase 7: NLP, LLMs, Agenten, RAG, MCP und KI-Architektur
- Large Language Models per Prompt Engineering optimal für Business-Cases einsetzen.
- Autonome KI-Agenten konzipieren und RAG-Systeme aufbauen, die über das Model Context Protocol mit echten Unternehmensdaten verknüpft sind.
- Mit KI-Assistenten in hohem Tempo Systemarchitekturen und funktionale Prototypen entwickeln.
Phase 8: Discovery-Woche + Capstone-Phase
- Die eigene Projektidee entwickeln und durch Nutzerforschung und schnelles Prototyping validieren.
- In intensiv gecoachten Capstone-Sprints das Abschlussprojekt eigenständig und agil umsetzen.
- Vorbereitung und Durchführung der Abschlusspräsentation des fertigen KI-Produkts.
