- 1. Einführung in KI-Assistenten
- Was sind KI-Assistenten?: Definition und Abgrenzung zu traditioneller Software
- Anwendungsbereiche: Customer Support, interne Prozessautomatisierung, persönliche Assistenz
- Technologische Grundlagen: NLP, Machine Learning, Dialogmanagement
- 2. Entwicklungsumgebung einrichten
- Python-Ökosystem: Einrichtung von Jupyter Notebooks und VS Code
- KI-Frameworks: Überblick von TensorFlow, PyTorch, Hugging Face
- Cloud vs. Local: Vor- und Nachteile verschiedener Entwicklungsumgebungen
- 3. Natural Language Processing (NLP) Grundlagen
- Textvorverarbeitung: Tokenisierung, Stemming, Lemmatisierung
- Intent Erkennung: Nutzerabsichten klassifizieren
- Entity Extraction: Wichtige Informationen aus Texten extrahieren
- 4. Dialogmanagement Systeme
- Zustandsbasierte Dialoge: Endliche Automaten für einfache Assistenten
- Machine Learning Ansätze: Transformer-Modelle für natürlichere Konversation
- Context Handling: Gesprächskontext über mehrere Turns erhalten
- 5. Integration von Wissen
- FAQ-Systeme: Einfache Wissensbasen implementieren
- Retrieval-Augmented Generation: Externes Wissen in Antworten einbinden
- API-Anbindungen: Dynamische Datenquellen nutzen
- 6. Benutzerinteraktion optimieren
- Multimodale Interfaces: Text, Sprache, Bilder kombinieren
- Persönlichkeitsdesign: Tonfall und Stil des Assistenten gestalten
- Feedback-Mechanismen: Lernende Systeme durch Nutzerrückmeldung
- 7. Deployment und Skalierung
- Web-Integration: Flask/Django Backends für Web-Assistenten
- Messaging Plattformen: Anbindung an Slack, Teams, WhatsApp
- Monitoring und Logging: Nutzungsanalysen und Fehlertracking
- 8. Praxisübung: FAQ-Bot entwickeln
- Aufgabe: Teilnehmer implementieren einen funktionsfähigen FAQ-Assistenten
- Bonus: Integration in eine Webseite oder Messaging-Plattform
LernzieleDie Teilnehmer erwerben umfassende praktische Fähigkeiten zur Entwicklung von KI-Assistenten. Sie lernen NLP-Pipelines zu implementieren, Dialoge zu managen und externe Wissensquellen zu integrieren. Besonderer Fokus liegt auf robusten Architekturen und praxistauglichen Deployment-Strategien. Nach dem Seminar können Teilnehmer eigenständig funktionale Prototypen entwickeln und diese schrittweise erweitern.
Zielgruppen- Softwareentwickler mit Python-Grundkenntnissen
- Produktmanager für digitale Lösungen
- KI-Interessierte ohne tiefe Vorkenntnisse in Machine Learning
