Modul: Agentic AI & Advanced NLP, Hochschule für Informatik FHNW

Daten sind eine zentrale Ressource unserer modernen Informationsgesellschaft. Ein grosser Teil davon liegt in unstrukturierter Form als Text vor.Natural Language Processing (NLP) macht solche Daten für Computer interpretierbar und ermöglicht deren automatisierte Verarbeitung. NLP ist somit ein wichtiger Bestandteil des digitalen Zeitalters und bietet grosses Potenzial, einen Mehrwert für Unternehmen zu schaffen.

Das Modul vermittelt dir moderne NLP-Verfahren und deren praktische Anwendung in verschiedenen Use-Cases. Du lernst zudem,agentischeAI-Anwendungen zu konzipieren, umzusetzen und zu evaluieren. So kannst du nach Abschluss des Moduls eigene Agentic AI und NLP-Projekte realisieren.

• Du frischst dein Wissen über Vektor-Repräsentationen von Dokumenten auf und lernst verschiedene Netzwerkarchitekturen kennen. Diese reichen von Recurrent Neural Networks (RNN) bis hin zu modernen Attention-Mechanismen und Transformer-Architekturen, welche das Fundament der aktuellen Large Language Models (LLM) bilden.
• Du lernst die Prinzipien von Large Language Models (LLMs),Retrieval-Augmented Generation (RAG)und multimodalen Systemen kennen. Darüber hinaus beschäftigst du dich mit wichtigen Themen wie Feintuning, Vektordatenbanken, synthetischen Daten und modernen Technologien wie Prompting-Strategien und Agentic AI.
• Du lernst, wie vortrainierte Modelle auf neue Problemstellungen angewendet werden können. Du bist in der Lage, jeweils Vor- und Nachteile wie auch die Anwendungsfälle der verschiedenen Modelle zu beurteilen. Zudem erfährst du, wie LLMs mittels Prompting-Techniken und Fine Tuning für gängige Applikationen wie Retrieval Augmented Generation (RAG) eingesetzt werden können.
• Du lernst, AI Agents und Multi-Agent-Systeme zu entwickeln, die Aufgaben planenund Werkzeuge und Funktionen aufrufen. Dabei setzt du ausgewählte AI-Agent-Frameworks sowie Memory- und Planning-Mechanismen praktisch ein.
• Du lernst, agentische Systeme hinsichtlich Ergebnisqualität, Tool-Nutzung, Robustheit, Sicherheit, Nachvollziehbarkeit, Laufzeit und Kosten zu evaluieren und geeignete Kontrollmechanismen einzusetzen.

Neben der Verarbeitung von Textdaten ist auch Acoustic Language Processing (ALP) Teil des Moduls. Hier lernst du, nicht-semantische Informationen wie Emotionen aus gesprochener Sprache zu extrahieren. Ausserdem wird eine Übersicht über NLP Cloud Services und deren Anwendung, beispielsweise für Speech-to-Text, gegeben.

Lernziele

Im ersten Schritt wird jeweils ein grundlegendes Verständnis zu den behandelten NLP-Verfahren und deren Algorithmen vermittelt und im zweiten Schritt wird das erarbeitete Wissen auf ein Praxisbeispiel angewendet und vertieft.

Du kannst:

• Textdatensätze explorativ analysieren und dadurch deren Eigenschaften verstehen.
• Vortrainierte Modelle mittels Fine Tuning auf neue Problemstellungen übertragen.
• RAG-Pipelines und agentische Workflows mit geeigneten Datenquellen, Werkzeugen und Memory-Mechanismen entwickeln.
• AI Agentsund einfache Multi-Agent-Systeme konzipieren und evaluieren.
• Du kannst ein NLP-Projekt oder Agentic-AI-Projekt planen und deine Modell- und Architektur wahl begründen.
• NLP-Cloud-Services (z. B. Speech-to-Text), AI-Services und externe APIs in deine Arbeit integrieren.

Du kennst

• Verschiedene Netzwerkarchitekturen (RNN, seq2seq, Transformer) und ihre jeweiligen Stärken und Schwächen.
• Die Möglichkeiten zur Generierung und Nutzung synthetischer Daten.
• Die Grundlagen von AI Agents und Multi-Agent-Systemen.Die Anwendungsmöglichkeiten von AI Agents.
• Ansätze für agentische Workflows, Memory und Planning.
• Methoden zur Evaluation agentischer Systeme.
• Die wichtigsten NLP-Cloud-Services und deren Einsatzgebiete.

Du weisst

• Wie Wörter und Dokumente als Vektoren dargestellt und miteinander verglichen werden.
• Wie Vektordatenbanken zur Unterstützung generativer Modelle genutzt werden.
• Wie Agents Werkzeuge einsetzen, Aufgaben planen und Zustände verwalten.
• Wie agentische Systeme getestet und bewertet werden.

Du verstehst

• Die Funktionsweise der Transformer-Architektur und aktueller LLMs sowie deren Einsatz mit Prompting-Techniken.
• Wie Unternehmensdaten mittels eines Retrieval-Augmented-Generation-(RAG)-Setups mit grossen Sprachmodellen verknüpft werden können, um unternehmensspezifische Informationen zu extrahieren.
• Wie agentische RAG-Systeme Informationen suchen, Werkzeuge einsetzen und Ergebnisse überprüfen.
• Die Möglichkeiten, Grenzen und Risiken agentischer KI-Systeme.
• Die ethischen und gesellschaftlichen Auswirkungen von generierten Texten.

Technologie

• Python,
• Scikit-Learn,
• Tensorflow oder Pytorch,
• Docker

• Abschluss einer Hochschule (FH, Uni, ETH) oder
• gleichwertige Berufsausbildung mit Praxiserfahrung.
  Bewerbungen ohne Hochschulabschluss sind sur Dossier möglich, wenn entsprechende Kenntnisse oder Berufserfahrung nachgewiesen werden.

Folgende Vorkenntnisse solltest du mitbringen:

• Du verfügst über Python-Grundkenntnisse und kennst Libraries wie Pandas, NumPy und Scikit-Learn.
• Du kannst ein einfaches Machine Learning-Modell in Python mit scikit-learn trainieren, evaluieren und anwenden.
• Du weisst, was Feedforward Neural Networks sind und wie diese trainiert werden.