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
- Die Rolle im Vergleich zum ML-Engineer und Solutions Engineer
- Ergebnisse statt nur Auslieferungsmeilensteine verantworten
- Zusammenarbeit mit Produkt-, Forschungs- und Sicherheitsteams
Entdeckung in unübersichtlichen Unternehmen
- Workflows von Anfang bis Ende begleiten
- Systeme, Daten und Übergabepunkte abbilden
- Die Restriktion finden, die den Nutzen blockiert
Problem-Scoping und Priorisierung
- Fallstudien auf Machbarkeit prüfen
- Kandidaten-Workflows anhand des Aufwands bewerten
- Den ersten Workflow zur Überprüfung auswählen
Wertebasierte Rahmung und Akzeptanzkriterien
- Kennzahlen als Basis setzen, bevor entwickelt wird
- Geschäftsfall-Sprache für Finanz-Sponsoren
- Akzeptanzkriterien mit Nutzern abstimmen
Modellauswahl: Frontier und Open Weights
- Vergleich von GPT-6, Claude 5.5 und offenen Modellen
- Trade-offs zwischen Kontext, Latenz und Einheitskosten
- Wann Datenregeln lokal gehostete Modelle erzwingen
Kontext-Engineering und Prompt-Design
- Strukturierung von Anweisungen für zuverlässiges Verhalten
- Kontext aus Systemen der Wahrheit zusammenstellen
- Prompt-Caching und Token-Minimierung
Retrieval und Wissensgrundlagen
- Enterprise-Inhalte segmentieren und indexieren
- Hybride Suche, Re-Ranking und Zitation
- Retrieval separat von der Generation evaluieren
Agenten und Tool-Verwendung
- Tool-Design und typisierte Schnittstellen
- Entwicklung mit den OpenAI- und Claude-Agent-SDKs
- Genehmigungen, Wiederholungen und Fehlerbehandlung
MCP und Enterprise-Integration
- Die Revidierung des Model Context Protocol vom 28. Juli 2026
- Aufbau und Absicherung von MCP-Servern
- Erstellung von Tool-Berechtigungen anhand der Enterprise-Identität
Evaluation als Sprache der Auslieferung
- Goldene Datensätze aus echter Arbeit erstellen
- Automatisiertes Scoring und LLM-Richter
- Releasesteuerung anhand von Evaluierungsschwellwerten
Guardrails, Sicherheit und menschliche Aufsicht
- Guardrails auf Prompt-, Tool- und Policy-Ebene
- Eskalations- und menschliche Prüfungspunkte
- Audit-Trails und datenschutzrechtliche Pflichten
Deploy-Architektur in der Kundenlandschaft
- Beschränkungen bei Identität, Netzwerk und Datenresidenz
- Modell-Gateway und Multi-Provider-Abstraktion
- Infrastruktur als Code und Release-Prozess
Observability, Kosten und Token-Ökonomie
- Nachverfolgung von Agentenläufen und Tool-Aufrufen
- Dashboards für Qualität und Ausgaben
- Kosten senken, ohne an Qualität zu verlieren
Annahme und Wandel
- Befähigung derjenigen, die die Arbeit leisten
- Champion-Netzwerke und Feedback-Schleifen
- Messung der Annahme-Geschwindigkeit
Vom Einzelprojekt zur wiederverwendbaren Fähigkeit
- Bewährte Workflows verpacken
- Playbooks, Blaupausen und Beschleuniger
- Übergabe an interne Teams
Voraussetzungen
- Beherrschung von Python, einschließlich der Arbeit mit APIs und virtuellen Umgebungen
- Vertrautheit mit Cloud-Plattformen, Containern und Versionskontrolle
- 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 Applied AI Engineers
- Software-Ingenieure, die sich auf die kundenseitige KI-Auslieferung umorientieren
- Technische Berater und Lösungsarchitekten, die für KI-Rollouts zuständig sind
- Platform Engineers, die produktionsreife KI-Workloads unterstützen
