Sprachverarbeitung und Generative KI

Dieses Modul öffnet Studierenden die Tür zur Welt der Generativen KI und Agentensysteme. Im Zentrum stehen Large Language Models (LLMs) und multimodale Modelle (LxMs) sowie ihre Weiterentwicklung zu agentischen Systemen (Agentic AI). Diese Technologien verändern aktuell die Art und Weise, wie Unternehmen kommunizieren, Entscheidungen treffen und Prozesse steuern.

Das Modul vermittelt den Studierenden die theoretischen Grundlagen sowie die praktischen Kompetenzen, um generative KI-Modelle und agentische Systeme zu verstehen, zu entwickeln und in Geschäftskontexte einzubetten. Neben klassischen Themen wie Modellarchitekturen, Pre- und Post-Training werden auch Agentic Patterns und MCP behandelt, mit Fokus auf der Orchestrierung von Agenten, Tool-Integration und Kommunikation (A2A, ACP).

Die Studierenden lernen, wie lokale Open-Weight-Modelle in Unternehmensumgebungen eingesetzt werden, wie Bias-Mitigation, Safeguards und Guardrails zur sicheren Nutzung beitragen und wie Human–AI-Collaboration die Rolle der KI als Partner stärkt. Dieses Wissen bereitet sie darauf vor, als Gestalter:innen der KI-basierten Transformation in Wirtschaft und Gesellschaft zu agieren.

Wissen und Verstehen: Die Studierenden ...

• erwerben fundiertes Wissen über LLMs, LxMs und agentische KI-Architekturen.
• verstehen die theoretischen Grundlagen von Pre-Training, Fine-Tuning, Alignment und Reasoning.
• kennen aktuelle Frameworks und deren Einsatzmöglichkeiten.

Anwendung von Wissen und Verstehen: Die Studierenden ...

• sind in der Lage, agentische Systeme mit modernen Frameworks praktisch umzusetzen.
• können Open-Weight-LLMs in Business-Szenarien nutzen und anpassen.
• wenden Strategien zur Bias-Mitigation und zur Implementierung von Safeguards an.

Urteilen: Die Studierenden ...

• bewerten kritisch den Einsatz von LLMs, LxMs und agentischen Architekturen in Unternehmen.
• reflektieren über ethische und regulatorische Aspekte (Bias, Datenschutz, Sicherheit, AI Governance).

Kommunikative Fertigkeiten: Die Studierenden ...

• präsentieren Ergebnisse und Prozesse adressatengerecht für technische wie nicht-technische Zielgruppen.
• arbeiten effizient in Teams an komplexen Projekten (Gruppenarbeit, Agentenprojekte).

Selbstlernfähigkeit: Die Studierenden ...

• zeigen die Fähigkeit, sich eigenständig mit den dynamischen Entwicklungen in Generative & Agentic AI auseinanderzusetzen.
• adaptieren kontinuierlich neue Frameworks, Modelle und Standards.

Grundlagen Generative KI & Agentensysteme

• Einführung in LLMs, LxMs und Agentic AI
• Modellarchitekturen: Transformer, Pre-Training, Fine-Tuning, Alignment, simulated Reasoning
• Human–AI Collaboration: Co-Pilot-Ansätze und Mensch-in-der-Schleife-Systeme

Frameworks & Technologien

• Model Context Protocol (MCP), Agent-to-Agent (A2A) und Agent Communication Protocol (ACP)
• Tool-Integration & Multi-Agent-Patterns

Post-Training & Modelloptimierung

• Supervised Fine-Tuning (SFT)
• Alignment-Verfahren (RLHF, DPO)
• Prompt Engineering, Prompt Learning, Prompt Tuning
• Reasoning Models, Mixture-of-Experts (MoE), VLMs (Vision-Language Models), LAMs (Language-Action Models)

Ethik, Sicherheit & Governance

• Bias-Mitigation und Safeguards (Guardrails, Halluzinationen, Misinformation)
• Bewertung & Benchmarking von Agenten (Metriken, Simulationen, Stress-Tests)
• Rolle von Open-Weight-LLMs in Unternehmen (lokale Modelle, Datenschutz, Customization)

Business-Anwendungen & Trends

• Einsatz generativer und agentischer Systeme in Automatisierung, Kundeninteraktion, Wissensmanagement
• Ausblick: Multimodale Modelle in Business-Szenarien (Text+Bild, VLMs)
• Zukünftige Trends in Agentic AI und Human–AI-Collaboration

Kontaktstudium: Vorlesung, Übung, Präsentation, Gruppenarbeit, Coaching.

Begleitetes Selbststudium: Gruppenarbeit, Projektarbeit.

Folgende Module sollten erfolgreich absolviert sein:

• Einführung in die Künstliche Intelligenz
• Maschinelles Lernen

Note 1-6 (halbe Noten)