AI-901: Microsoft Azure AI Fundamentals in Köln

• 1. Domain 1: KI-Konzepte und Verantwortlichkeiten (40-45 %)
• Responsible AI (30 Min):
  • Microsofts 6 Prinzipien: Fairness (keine Diskriminierung), Zuverlaessigkeit und Sicherheit (robuste, vorhersagbare Ergebnisse), Datenschutz und Sicherheit (Daten schuetzen), Inklusivitaet (fuer alle zugaenglich), Transparenz (erklaerbare Entscheidungen), Verantwortlichkeit (Menschen tragen Verantwortung). Anwendung auf Szenarien: "Welches Prinzip wird verletzt, wenn ein KI-Modell bestimmte Nutzergruppen benachteiligt?"
  • Responsible AI fuer generative KI: Halluzinationen (Modell erfindet Fakten), Ueberreliance (blinde Abhaengigkeit von KI-Antworten), Content Filtering (Gewalt, Hass, Sexuell, Selbstverletzung), Grounding (Antworten auf echte Daten stuetzen).

• KI-Modell-Komponenten und -Konfiguration (30 Min):
  • Wie generative KI-Modelle funktionieren: Transformer-Architektur (konzeptionell), Token-Vorhersage, Kontextfenster, Temperatur (kreativ vs. deterministisch), Top-P. Kein Deep Dive in Mathematik, aber Verstaendnis der Konfigurationsparameter.
  • Modell-Auswahl: Welches Modell fuer welche Aufgabe? GPT-4o (Text+Bild, multimodal), GPT-4o-mini (kostenguenstig, einfachere Aufgaben), DALL-E (Bildgenerierung), Whisper (Sprache), Embeddings (Suche, Aehnlichkeit). Small Language Models vs. Large Language Models.
  • Deployment-Optionen: Standard-Deployment vs. Provisioned Throughput, serverlose Modelle vs. verwaltete Compute, regionale Verfuegbarkeit und Datenresidenz.

• KI-Workloads identifizieren (30 Min):
  • Generative und agentenbasierte KI: Textgenerierung, Code-Assistenz, Konversation, Agents (autonom handelnde KI-Systeme die Aufgaben ausfuehren).
  • Textanalyse: Schluesselwort-Extraktion, Entitaetserkennung, Stimmungsanalyse, Zusammenfassung.
  • Spracherkennung und Sprachsynthese: Speech-to-Text, Text-to-Speech, Echtzeit-Uebersetzung.
  • Computer Vision: Bildklassifizierung, Objekterkennung, OCR, multimodale Modelle (Bild+Text).
  • Informationsextraktion: Text, Bilder, Audio und Video als Quellen fuer strukturierte Daten (Azure Content Understanding).
  • Praxis-Uebung: 20 Pruefungsfragen zu Domain 1 (Responsible AI Szenarien, Modell-Auswahl, Workload-Zuordnung, Konfigurationsparameter).

• 2. Domain 2: KI-Loesungen mit Microsoft Foundry implementieren (55-60 %)
• Generative KI-Apps und Agents in Foundry (60 Min):
  • Microsoft Foundry Portal: Die einheitliche Plattform fuer alle Azure-KI-Workloads (ehemals Azure AI Studio / Azure AI Foundry). Modelle durchsuchen, deployen, testen, ueberwachen - alles in einem Portal.
  • Effektive Prompts erstellen: System Message (Rolle und Verhalten des Modells definieren), User Message (die eigentliche Anfrage), Few-Shot-Beispiele (dem Modell zeigen, was man erwartet). Prompt-Techniken: Kontext geben, Format spezifizieren, Einschraenkungen setzen.
  • Modell deployen und testen: Ein Modell im Foundry Portal deployen, im Chat Playground testen, Parameter anpassen (Temperatur, Top-P, Max Tokens), Ergebnisse bewerten.
  • Foundry SDK: Einen leichtgewichtigen Chat-Client mit Python und dem Foundry SDK erstellen. Nicht Enterprise-Entwicklung, sondern: Modell ansprechen, Prompt senden, Antwort empfangen - in 10-20 Zeilen Code.
  • Single-Agent-Loesung: Einen einfachen Agent im Foundry Portal erstellen und testen. Agent-Konzept: Ziel, Instruktionen, Wissensquellen, Aktionen. Client-Anwendung fuer den Agent bauen (Foundry SDK).
  • Praxis-Uebung: Im Foundry Portal: Modell deployen, Prompt im Playground testen (System Message + User Message), Parameter variieren (Temperatur 0.2 vs. 0.9 vergleichen). Einfachen Agent erstellen: Instruktionen definieren, Wissensquelle anbinden, testen.

• Text- und Sprachloesungen in Foundry (30 Min):
  • Textanalyse: Eine leichtgewichtige Anwendung bauen, die Textanalyse-Funktionen nutzt (Sentiment, Key Phrases, Named Entities, Zusammenfassung) - ueber das Foundry SDK oder deployed multimodale Modelle.
  • Sprach-Prompts: Auf gesprochene Eingaben mit einem deployed multimodalen Modell reagieren (Whisper fuer Speech-to-Text, GPT fuer Verarbeitung, TTS fuer Antwort).
  • Azure Speech in Foundry Tools: Speech-to-Text und Text-to-Speech als Foundry-Dienst nutzen - fuer Anwendungen die Sprache verarbeiten.
  • Praxis-Uebung: Textanalyse-Szenario: einen Prompt entwerfen der Kundenfeedback zusammenfasst und die Stimmung klassifiziert. Sprach-Szenario: Konzept einer Anwendung die gesprochene Fragen entgegennimmt und per Sprachausgabe antwortet.

• Computer Vision und Bildgenerierung in Foundry (30 Min):
  • Visuelle Eingaben in Prompts: Multimodale Modelle (GPT-4o) koennen Bilder als Input verarbeiten - "Was zeigt dieses Bild?", "Extrahiere den Text aus diesem Foto", "Beschreibe den Inhalt". Prompt-Design fuer visuelle Aufgaben.
  • Bildgenerierung: DALL-E im Foundry Portal - Bilder aus Textbeschreibungen generieren. Prompt-Techniken fuer gute Bildgenerierung (Stil, Komposition, Details spezifizieren).
  • Leichtgewichtige Vision-Anwendung: Mit dem Foundry SDK eine Anwendung bauen, die Bilder analysiert (Upload, Analyse per multimodalem Modell, Ergebnis anzeigen).
  • Praxis-Uebung: Bild-Prompt im Foundry Playground: ein Foto hochladen und per GPT-4o analysieren lassen. DALL-E-Prompt erstellen und Ergebnis bewerten.

• Informationsextraktion mit Content Understanding (30 Min):
  • Azure Content Understanding: Neuer Foundry-Dienst (Nachfolger von Document Intelligence/Form Recognizer) - Informationen aus Dokumenten, Formularen, Bildern, Audio und Video extrahieren. Einheitliche API fuer alle Medientypen.
  • Dokumente und Formulare: Rechnungen, Belege, Ausweise, Vertraege - Felder automatisch erkennen und extrahieren. Vortrainierte Modelle und Custom Models.
  • Bilder, Audio und Video: Informationen aus nicht-textuellen Quellen extrahieren - Schilder in Fotos lesen, gesprochene Inhalte in Videos transkribieren und strukturieren, Key Moments in Videos identifizieren.
  • Leichtgewichtige Anwendung: Mit Content Understanding und dem Foundry SDK eine Extraktions-Anwendung bauen.
  • Praxis-Uebung: Content-Understanding-Szenario: ein Rechnungs-PDF analysieren, extrahierte Felder pruefen (Rechnungsnummer, Betrag, Datum). Konzept einer Anwendung die aus Videos Key-Informationen extrahiert.

• 3. Pruefungsvorbereitung und Probeklausur
• Pruefungsformat und Strategie (15 Min):
  • Pruefungsdetails: 40-60 Fragen, 45 Minuten, Multiple Choice + Multiple Response + Drag-and-Drop, Bestehensgrenze 700/1000 Punkte, Pruefungsgebuehr 165 USD, Pearson VUE oder Online.
  • Domaenen-Gewichtung: KI-Konzepte und Verantwortlichkeiten 40-45 %, Implementierung mit Foundry 55-60 %. Der Schwerpunkt liegt klar auf Foundry - konzeptionelles Wissen allein reicht nicht.
  • Unterschied zu AI-900: AI-901 testet Implementierungswissen (Modell deployen, Prompt schreiben, SDK-Code verstehen, Agent erstellen), nicht nur Zuordnungswissen. Python-Syntax-Verstaendnis wird vorausgesetzt (Code-Snippets in Pruefungsfragen).
  • Pruefungstipps: Foundry Portal und SDK kennen (nicht nur konzeptionell, sondern Bedienung und Code-Beispiele), Prompt-Engineering-Techniken beherrschen (System Message, Few-Shot), Content Understanding als neuen Dienst sicher zuordnen, Responsible AI in allen Domaenen beruecksichtigen, Agent-Konzepte verstehen (Instruktionen, Wissensquellen, Aktionen).

• Probeklausur (25 Min):
  • 20 Fragen unter Pruefungsbedingungen. Gemeinsame Auswertung: richtige Antworten besprechen, typische Fallen identifizieren (AI-900-Wissen reicht nicht - Foundry-spezifische Fragen erfordern neues Wissen).

• Persoenlicher Lernplan (5 Min):
  • Schwaechen identifizieren. Microsoft Learn Paths fuer AI-901 (kostenlos, aktualisiert April 2026). Foundry Portal hands-on ueben (kostenlose Azure-Testversion). Pruefungstermin buchen.

LernzieleJede teilnehmende Person verlaesst das Seminar mit dem Verstaendnis der KI-Konzepte und Responsible-AI-Prinzipien, der Faehigkeit, Modelle im Foundry Portal zu deployen und zu konfigurieren (Deployment, Playground, Parameter), der Kompetenz fuer Prompt Engineering (System Message, User Message, Few-Shot, multimodale Prompts), dem Verstaendnis von Agents (Erstellen, Testen, Client-Anwendung), der Kenntnis von Text-, Sprach-, Vision- und Extraktions-Loesungen in Foundry, dem Ueberblick ueber Azure Content Understanding als neuen Extraktionsdienst, einer absolvierten Probeklausur und der Vorbereitung auf die AI-901-Pruefung.Zielgruppen

• IT-Fachkraefte am Anfang ihrer KI-Karriere: Die KI-Konzepte verstehen und erste praktische Erfahrung mit Microsoft Foundry sammeln - als Basis fuer weitergehende Zertifizierungen (AI-103, DP-100).
• Entwickler mit Python-Grundkenntnissen: Die den Einstieg in Azure-KI-Loesungen mit einer Zertifizierung belegen.
• Entscheider und Consultants: Die verstehen muessen, was generative KI, Agents und multimodale Modelle leisten - und wie sie in Azure implementiert werden.
• Inhaber der AI-900-Zertifizierung: Die auf die Nachfolge-Zertifizierung AI-901 umsteigen (AI-900 wurde am 30. Juni 2026 eingestellt).

Voraussetzungen: Konzeptionelles Verstaendnis von KI-Loesungen in Azure. Vertrautheit mit Python-Syntax und Programmiertechniken. Grundkenntnisse von Azure-Ressourcen. Die AI-901 setzt im Vergleich zur AI-900 technischere Grundkenntnisse voraus - es ist keine rein konzeptionelle Pruefung mehr.Abgrenzung: Dieses Seminar bereitet auf die AI-901 Fundamentals-Pruefung vor.