KI in Anwendungen integrieren
Sie möchten das volle Potenzial von Large Language Models (LLMs) in der Praxis ausschöpfen und in Ihre bestehenden Systeme integrieren? Wenn Sie mehr über die verschiedenen Anwendungsszenarien erfahren und gemeinsam praxisnahe Lösungen erarbeiten möchten, dann freuen Sie sich auf dieses Training. Von der Textklassifizierung bis zur Systemintegration lernen Sie, wie Sie LLMs effektiv in Ihre Infrastruktur einbinden, moderne RAG-Architekturen aufbauen, Function Calling nutzen und eigene Lösungen für Ihre realen Problemstellungen entwickeln können.
Teilnahmezertifikat von Spirit in Projects Foundation
Goals
- Praktische Erfahrung mit verschiedenen LLM-Anwendungsszenarien sammeln
- Implementierung von State-of-the-Art NLP-Lösungen mit aktuellen Modellen
- Integration von LLMs in bestehende Systemlandschaften
- Verständnis für die Stärken und Grenzen verschiedener Modelltypen entwickeln
- RAG (Retrieval-Augmented Generation) Architekturen aufbauen und optimieren
- Function Calling und Tool Use für erweiterte Funktionalität einsetzen
- Eigene LLM-basierte Lösungen konzipieren und umsetzen können
Target Groups
AI Expert
Software Entwickler
System Architect
Software Architect
und alle, die sich mit künstlicher Intelligenz beschäftigen möchten
Inhalt
01
1. Grundlagen der LLM-Integration
- Architekturpatterns für LLM-basierte Systeme
- REST-APIs und Microservices mit LLMs
- Skalierbare Infrastrukturen für LLM-Anwendungen
- Verschiedene Deployment-Optionen (Cloud, On-Premise, Hybrid)
- Multi-Model-Strategien (GPT, Claude, Gemini, Open Source Modelle)
- Security und Governance
02
2. Aktuelle LLM-Modelle und APIs (neu: 2026)
- OpenAI GPT: Multimodale Fähigkeiten und API-Integration
- Anthropic Claude: Large-Token Context Window, Tool Use
- Google Gemini: Multi-Million-Token Context, Hybrid Reasoning
- Open Source Modelle sicher einsetzen: Llama, Mistral, DeepSeek und weitere
- Modellauswahl und Performance-to-Cost-Ratio
- Praktische Übung: Vergleich verschiedener LLM-APIs für Use Cases
03
3. RAG (Retrieval-Augmented Generation) Architekturen
- Grundlagen von RAG: Verbesserung der Faktentreue
- Vektordatenbanken: Pinecone, Weaviate, Chroma, Qdrant
- Embedding-Modelle und Vektor-Suche
- Chunking-Strategien und Metadaten-Management
- RAG-Pipeline-Optimierung
- Hybride Ansätze: RAG + Fine-tuning
- Praktische Übung: Aufbau eines RAG-Systems mit Vektordatenbank
04
4. Function Calling und Tool Use
- Konzept von Function Calling
- Integration externer Tools und APIs
- Multi-Tool-Orchestrierung
- Error Handling und Fallback-Strategien
- Sicherheitsaspekte bei Tool Use
- Praktische Übung: LLM mit externen Funktionen erweitern
05
5. Textklassifizierung und Sentimentanalyse
- Aufbau von Klassifizierungspipelines
- Feature-Extraktion mit Transformer-Modellen
- Integration in Content-Management-Systeme
- Batch- und Realtime-Processing
- Praktische Übung: Integration eines Sentiment-Analyzers in eine bestehende Webanwendung
06
6. Informationsextraktion und Dokumentenverarbeitung
- Multilinguale NER-Systeme
- Integration mit Document Processing Pipelines
- Anbindung an Dokumentenmanagementsysteme
- Workflow-Integration
- Praktische Übung: Entwicklung einer Dokumentenverarbeitungspipeline mit LLM-Integration
07
7. Chatbots und Dialogsysteme
- Integration mit Messaging-Plattformen
- Anbindung an CRM-Systeme
- Kontextmanagement und Sessionhandling
- Memory-Strategien für längere Konversationen
- Monitoring und Logging
- Praktische Übung: Integration eines LLM-basierten Chatbots in eine Unternehmensplattform
08
8. Entwicklungs-Frameworks und Tools
- LangChain: Modular Workflows und Memory Handling
- LlamaIndex: Spezialisierung auf RAG-Anwendungen
- Semantic Kernel (Microsoft): Enterprise-Integration
- Hugging Face: Open-Source-Modelle und Transformers
- Praktische Übung: Anwendungsentwicklung mit LangChain
09
9. Observability und Monitoring
- LangSmith für LLM-Debugging und Tracing
- Weights & Biases für Experiment-Tracking
- Logging von Prompts und Responses
- Performance-Metriken und Latency-Monitoring
- Kostenkontrolle und Budgetierung
- Praktische Übung: Monitoring-Setup für LLM-Anwendungen
10
10. Systemintegration und Produktivbetrieb
- API-Design und -Management
- A/B-Testing und Gradual Rollout
- Fehlerbehandlung und Fallback-Strategien
- Skalierung und Load Balancing
- Fine-tuning und Anpassungsmethoden
- Praktische Übung: Implementierung eines vollständigen LLM-Service mit Monitoring und Failover
Zertifizierung
Für dieses Training erhalten Sie ein Teilnahmezertifikat von Spirit in Projects.
After completion we recommend
Certified Trainings
Internationally recognized certifications for your career.
Experienced Trainers
Learn from competent experts with practical experience.
Flexible Formats
Webinars, video trainings or on-site – exactly as you need it.