Building with AI
Wie Sie ein KI-Projekt strukturieren, sich in der Tool-Landschaft orientieren (RAG, Agents, Vektordatenbanken, APIs), einfachen Code schreiben und Outputs gegen Kosten und Latenz bewerten.
Alle reden davon, mit KI zu bauen. Die meisten bewundern noch die Demo. Dieser Block bringt Sie vom Zuschauer zum Builder, und zwar ohne die Behauptung, Sie bräuchten ein Informatikstudium, um im Raum eine Meinung zu haben, die zählt.
Sie beginnen dort, wo jedes ernsthafte Projekt beginnen sollte: vor der ersten Zeile Code. Das Problem sauber fassen. Entscheiden, ob Sie einen Prompt, ein RAG-Setup, ein Fine-Tuning oder einen Agent brauchen. Scope, Daten und Erfolgskriterien festlegen, damit Sie wissen, wie Erfolg aussieht. Diese Disziplin trennt echte Initiativen von teuren wissenschaftlichen Experimenten.
Dann geht es in die Maschinerie. Sie kartieren die Tool-Landschaft, von APIs über No-Code-Plattformen bis zu Vektordatenbanken. Sie lernen, wie Retrieval-augmented Generation Ihre eigenen Daten hinter das Modell stellt, damit es nicht mehr rät, sondern antwortet. Sie sehen, wie Agents handeln statt nur Text zu produzieren, und wo diese Macht gefährlich wird, wenn niemand den Scope sauber gesetzt hat.
Zum Schluss machen Sie sich die Hände schmutzig. Ihr erster API-Call in Python, damit Sie verstehen, was Ihre Teams tatsächlich tun. Echte Evaluation, denn ein System, das smart wirkt, und ein System, das funktioniert, sind zwei verschiedene Dinge. Und die Tradeoffs, die über Budgets entscheiden: Kosten, Latenz und Modellauswahl, die Entscheidungen, die Ihre Unit Economics leise tragen oder ruinieren.
Am Ende können Sie jedem technischen Team gegenübersitzen und das Gespräch auf Augenhöhe führen. Sie wissen, was leicht ist, was schwer ist, was ein Red Flag ist und was eine Ausrede. Das ist Hebel. Führungskräfte, die verstehen, wie KI gebaut wird, bekommen nichts mehr verkauft, sondern steuern die Arbeit.
Was Sie beherrschen werden
- Ein KI-Problem fassen, bevor jemand die Tastatur anfasst
- Sicher zwischen Prompting, RAG, Fine-Tuning und Agents wählen
- Ein Projekt mit klarem Datenbedarf und Erfolgskriterien scopen
- Ein RAG-System entwerfen, das Ihre eigenen Daten hinter das Modell stellt
- Outputs evaluieren, um zu belegen, dass ein System wirklich funktioniert
- Kosten, Latenz und Modell-Tradeoffs wie ein Operator abwägen
- Mit jedem technischen Team ein Gespräch auf Augenhöhe führen
Schlüsselbegriffe
Module
Wie Sie ein KI-Problem eingrenzen, einen Ansatz wählen und Scope, Daten sowie Erfolgskriterien definieren.
Ein Überblick über AI-Tooling sowie darüber, wie RAG und Agenten Modelle um Daten und Aktionen erweitern.
Der erste API-Call und die Bewertung der Outputs nach Qualität, Kosten und Latenz.
Häufige Fragen
Muss ich programmieren können, um Building with AI zu folgen?
Nein. Building with AI setzt keinen Programmierhintergrund voraus: Das einzige Hands-on-Coding ist ein erster API-Call in Python, enthalten, damit Sie verstehen, was Ihre technischen Teams tatsächlich tun. Der Rest dreht sich darum, Probleme zu fassen, einen Ansatz zu wählen und Ergebnisse zu beurteilen.
Was genau deckt Building with AI ab?
Drei Module, insgesamt neun Lektionen: ein KI-Projekt strukturieren (Framing, Ansatz, Scope und Erfolgskriterien), die Tool-Landschaft mit RAG und Agents, dann Coding-Grundlagen und Evaluation inklusive Kosten, Latenz und Modellauswahl. Der Block liegt im Track AI Essentials.
Für wen ist das gedacht, für einen Technical Lead oder eine Führungskraft aus dem Business?
Für eine Führungskraft aus dem Business, die KI-Arbeit steuern muss, ohne sie selbst zu bauen. Das erklärte Ziel von Building with AI: Sie sollen mit jedem technischen Team ein Gespräch auf Augenhöhe führen können und wissen, was leicht ist, was schwer ist und was eine Ausrede ist.
Wie entscheide ich zwischen Prompting, RAG, Fine-Tuning und einem Agent?
Diese Entscheidung ist Thema einer eigenen Lektion, und sie kommt nach dem Framing des Problems, niemals davor. Die Logik läuft über die Frage, was das Modell wissen muss, ob es handeln muss und was Ihre Daten und Erfolgskriterien tatsächlich verlangen. Deshalb folgen danach die Lektionen zu RAG und Agents.
Was ist RAG und warum bekommt es eine eigene Lektion?
Retrieval-augmented Generation stellt Ihre eigenen Daten hinter das Modell, sodass es aus Ihren Dokumenten antwortet statt zu raten. Es bekommt eine ganze Lektion, weil es der häufigste Weg ist, mit dem Unternehmen ein allgemeines Modell auf ihren spezifischen Inhalten nützlich machen, und weil es Entscheidungen zu Embeddings und Vektordatenbanken mit sich bringt.
Wie belegt man, dass ein KI-System wirklich funktioniert und nicht nur beeindruckend aussieht?
Über Evaluation, in Building with AI als eigene Lektion behandelt: Ein System, das smart wirkt, und ein System, das funktioniert, sind zwei verschiedene Dinge. Sie definieren Erfolgskriterien in der Scoping-Phase und messen die Outputs dann daran, zusammen mit Kosten und Latenz, weil diese Tradeoffs über die Unit Economics entscheiden.