Praxisworkshop KI-Tools mit Python: Prompting, Fine-Tuning und RAG

Wer Künstliche Intelligenz im beruflichen Alltag wirklich nutzen möchte, braucht praktisches Wissen über Large Language Models und ihre Einbindung in Python. Innerhalb von drei intensiven Tagen erwerben Sie genau dieses Know-how und gewinnen Sicherheit für den fundierten Einsatz von KI in Ihrem Unternehmen.

Der Praxisworkshop KI-Tools mit Python: Prompting, Fine-Tuning und RAG richtet sich an alle, die LLMs nicht nur theoretisch verstehen, sondern direkt anwenden wollen. Sie arbeiten von Beginn an mit konkreten Python-Codebeispielen und vertiefen Ihr Wissen durch zahlreiche Übungen.

Im Mittelpunkt dieser Weiterbildung stehen die drei zentralen Ansätze Prompting, Fine-Tuning und Retrieval-Augmented Generation. Sie lernen, wie Sie Prompts gezielt gestalten, Modelle mit eigenen Daten anpassen und externes Wissen über RAG-Pipelines sinnvoll einbinden.

Darüber hinaus erfahren Sie, wie Agenten-Workflows mehrere Tools intelligent kombinieren und so komplexe Aufgaben automatisiert lösen. Anhand bewährter Python-Bibliotheken setzen Sie diese Konzepte Schritt für Schritt in funktionierende Lösungen um.

Den Abschluss bildet ein eigenständiges Projekt, in dem Sie einen prototypischen LLM-Workflow für einen realistischen Anwendungsfall entwickeln. So vertiefen Sie das Gelernte praxisnah und sammeln wertvolle Erfahrung.

Mit diesem Kurs gewinnen Sie echte Entscheidungskompetenz für den Einsatz von KI und können künftig fundiert beurteilen, welcher Ansatz für welche Aufgabe am besten geeignet ist.

Tag 1: Grundlagen und schneller Einstieg

• Überblick: LLM-Workflows und Python-Ökosystem (OpenAI, Hugging Face, LangChain, PydanticAI)
• Prompting-Techniken und Briefing-Files in Python
• Rollen, Regeln und Stilvorgaben programmatisch testen
• Übungen: Prompts in Python-Skripten umsetzen und vergleichen
• Grenzen von Prompting in realen Projekten

Tag 2: Modelle anpassen mit Fine-Tuning

• Fine-Tuning-Konzepte: klassisch vs. LoRA/PEFT
• Anforderungen: Datenformate (JSONL), Tools, Kosten
• Python-Beispiele mit Hugging Face Transformers und PEFT
• Übungen: Mini-Fine-Tuning mit kleinem Datensatz
• Bewertung mit Python-Scorecards (Genauigkeit, Kohärenz, Bias, Sprachfluss)

Tag 3: Wissensintegration mit RAG

• Architektur von RAG und Python-Tools (LangChain, LlamaIndex, Chroma/FAISS)
• Tokens und Embeddings verstehen
• Typische Anwendungsfälle und Stärken von RAG
• Übungen: Aufbau einer Mini-RAG-Pipeline in Python mit Dokumentenabfrage
• Best Practices: Kombination aus RAG und Fine-Tuning
• Infrastruktur: Python-Anbindung via API vs. Self-Hosting-Lösungen
• Agenten-Workflows: Konzepte und Vorteile (z. B. PydanticAI)
• Übungen: Einfache Agenten, die mehrere Tools orchestrieren

Abschlussprojekt

• Entwicklung eines prototypischen LLM-Workflows in Python für einen Praxis-Use-Case