Anpassungen aus kommentaren bis 27.10.2024

docs/00b-basics/01-what-to-expect-of-this-module.adoc

@@ -6,9 +6,7 @@ für KI-Systeme als Mittel, um leistungsfähige, skalierbare und integrierbare K
 Lösungen zu gestalten. Am Ende des Moduls kennen die Teilnehmer:innen die
 wesentlichen Prinzipien der Softwarearchitektur für KI-Systeme und können diese
 bei Entwurf und Implementierung von Machine Learning und Generative KI-
-Systemen anwenden. Sie sind mithilfe der vermittelten kommunikativen Fähigkeiten
-in der Lage, eine einheitliche Sprache zwischen Data Scientists, KI-Expert:innen und
-Softwareentwickler:innen zu etablieren. Mit Hilfe der vermittelten
+Systemen anwenden. Mit Hilfe der vermittelten
 Modellierungstechniken und Architekturwerkzeuge können sie KI-Komponenten
 nahtlos in bestehende Softwaresysteme integrieren. Die Schulung umfasst sowohl
 Machine Learning Systeme als auch Generative KI und vermittelt, wie diese mit

docs/00b-basics/04-prerequisites-for-this-training.adoc

@@ -3,14 +3,16 @@
 
 Teilnehmer:innen **sollten** folgende Kenntnisse und/oder Erfahrung mitbringen:
 
-* Grundlegendes Wissen zu KI, Machine Learning und Data Science
-* Machine Learning Methoden wie Supervised, Unsupervised Learning und Reinforcement Learning, z.B Klassifikation, Clustering, Regression, Dimensionality Reduction
-* Grundsätzliches Wissen über die typischen Algorithmen wie: Linear/logistic regression, decision trees, random forests, support vector machines, K-means clustering, neural networks and deep learning
-* Wissen über Model evaluation: Cross-validation, Metrics (accuracy, precision, recall, F1-score), Bias-variance tradeoff
-* Erfahrung mit typischen Frameworks wie sk-learn, TensorFlow, PyTorch
-* Erfahrung mit Jupyter Notebooks oder ähnlichen Rapid Application Development (RAD) Werkzeugen
-* Wissen über die technischen Verfahren hinter KI, einschließlich: Maschinelles Lernen inkl. Deep Learning und LLMs, NLP-Ansätze (Natural Language Processing), Transformationsmodelle
-* Praktische Erfahrung mit Trainieren von Künstlichen Intelligenz Modellen
+
+* Ein grundlegendes Verständnis von Künstlicher Intelligenz, Machine Learning und Data Science
+* Vertrautheit mit Machine Learning-Methoden, wie Supervised Learning, Unsupervised Learning und Reinforcement Learning, einschließlich Klassifikation, Clustering, Regression und Dimensionality Reduction
+* Grundkenntnisse über gängige Algorithmen, wie z. B. lineare und logistische Regression, Entscheidungsbäume, Random Forests, Support Vector Machines, K-Means Clustering sowie neuronale Netze und Deep Learning
+* Ein Verständnis der Modellevaluation, einschließlich Cross-Validation, relevanter Metriken (Accuracy, Precision, Recall, F1-Score) und des Bias-Variance Tradeoffs
+* Erfahrung mit typischen Frameworks wie scikit-learn, TensorFlow und PyTorch
+* Vertrautheit mit Jupyter Notebooks oder ähnlichen Werkzeugen zur schnellen Anwendungsentwicklung (Rapid Application Development, RAD)
+* Ein grundlegendes Verständnis der technischen Verfahren hinter Künstlicher Intelligenz, einschließlich Maschinellen Lernens (insbesondere Deep Learning und LLMs) sowie Ansätzen im Bereich Natural Language Processing (NLP) und Transformationsmodellen
+* Praktische Erfahrung im Training von Künstlichen Intelligenz-Modellen
+
 
 // end::DE[]
 

docs/01-module-block-1/02-learning-goals.adoc

@@ -1,25 +1,44 @@
 === {learning-goals}
 
 // tag::DE[]
-Die Teilnehmer:Innen …
+In diesem Kapitel erreichen die Teilnehmer:innen die folgenden Lernziele:
 
 [[LZ-1-1]]
-==== LZ 1-1: Wissen wie man Künstliche Intelligenz definiert und die Anordnung zu Machine Learning, Data Science, Deep Learning, Generative AI.
+==== LZ 1-1: Definition Künstliche Intelligenz inklusive der Einordnung von Machine Learning, Data Science, Deep Learning, Generative AI
+
+Die Teilnehmer:innen wissen wie man Künstliche Intelligenz definiert und wie Machine Learning, Data Science, Deep Learning, Generative AI darin eingeordnet werden.
 
 [[LZ-1-2]]
-==== LZ 1-2: Wissen, wie man typische allgemeine Use-Cases für KI spezifiziert, z.B. Bilderkennung & -erzeugung, Sprachverarbeitung, Vorhersagen, Personalisierung und Anomalieerkennung.
+==== LZ 1-2: Spezifikation typischer allgemeiner Anwendungsfälle für KI
+
+Die Teilnehmer:innen wissen wie typische allgemeine Anwendungsfälle für KI spezifiziert werden können. Dies umfasst Anwundungsfälle für  z.B. Bilderkennung & -erzeugung, Sprachverarbeitung, Vorhersagen, Personalisierung und Anomalieerkennung.
 
 [[LZ-1-3]]
-==== LZ 1-3: Kennen Einsatzmöglichkeiten in verschiedenen Branchen, z.B. Marketing, Medizin, Robotik und Content-Creation.
+==== LZ 1-3: Einsatzmöglichkeiten in verschiedenen Branchen
+
+Die Teilnehmer:innen kennen die möglichen Einsatzmöglichkeiten in verschiedenen Branchen, z.B. Marketing, Medizin, Robotik und Content-Creation.
 
 [[LZ-1-4]]
-==== LZ 1-4: Kennen Einsatzmöglichkeiten in Endnutzeranwendungen, z.B. bSprachassistenten (Chatbots) und Empfehlungssysteme (Recommender Engine).
+==== LZ 1-4: Einsatzmöglichkeiten in Endnutzeranwendungen
+
+Die Teilnehmer:innen überblicken die Einsatzmöglichkeiten in Endnutzeranwendungen von KI. Darunter fallen z.B. Sprachassistenten (Chatbots) und Empfehlungssysteme (Recommender Engine).
 
 [[LZ-1-5]]
-==== LZ 1-5: Wissen, wie man Risiken bei der Anwendung von KI (Halluzinationen, Bias, Fairness…) und gesellschaftlichen Risiken (Deepfakes, AI-enabled Cyberattacs, Safety Risks in Critical Systems, Social Manipulation, Intellectual Property Issues, etc.) identifiziert.
+==== LZ 1-5: Risiken bei der Anwendung von KI
+
+Die Teilnehmer:innen kennen und verstehen die Risiken, die bei der Anwendung von KI auftreten können. Dazu gehören beispielsweise
+
+* Halluzinationen
+* Bias
+* (un-)Fairness 
+* gesellschaftlichen Risiken wie Deepfakes, AI-enabled Cyberattacs, Safety Risks in Critical Systems, Social Manipulation, Intellectual Property Issues usw. 
+
 
 [[LZ-1-6]]
-==== LZ 1-6: Kennen den Unterschied zu traditioneller Software:
+==== LZ 1-6: Unterschiede zu traditioneller Software
+
+Die Teilnehmer:innen verstehen die Unterschiede von KI-Systemen zu tradiitoneller Software:
+
 * Datengetrieben (bei ML) - Daten-zentrierte statt Code-zentrierte Entwicklung
 * Probabilistische Ergebnisse (Non-deterministic behavior)
 * Statistische Validierung
@@ -31,25 +50,43 @@ Die Teilnehmer:Innen …
 * Interoperabilität: Nahtlose Integration in bestehende Systeme und Technologiestacks.
 
 [[LZ-1-7]]
-==== LZ 1-7: Können beurteilen, ob ein Problem mittels KI oder klassischer SW-Entwicklung zu lösen ist.
+==== LZ 1-7: Entscheidungsfähigkeit zur Lösung von Problemen mittels KI oder klassischer SW-Entwicklung
+
+Teilnehmer:innen können entscheiden und erklären, ob und warum ein Problem mittels KI oder klassischer SW-Entwicklung zu lösen ist.
 
 [[LZ-1-8]]
-==== LZ 1-8: Kennen typische Rollen und deren Aufgaben in diesen Kontexten: Data Scientist, Data Analyst, Data Engineer, Machine Learning Engineer, MLOps Engineer, AI Architect, Data Architect, Business Intelligence (BI) Developer, Data Governance Specialist, ML-Researcher.
+==== LZ 1-8: Rollen und deren Aufgaben im Kontext von KI
+
+Die Teilnehmer:innen kennen typische Rollen und deren Aufgaben in diesen Kontexten. Die Rollen umfassen insbesondere:
+
+* Data Scientist
+* Data Analyst
+* Data Engineer
+* Machine Learning Engineer
+* MLOps Engineer
+* AI Architect
+* Data Architect
+* Business Intelligence (BI) Developer
+* Data Governance Specialist
+* ML-Researcher
 
 [[LZ-1-9]]
-==== LZ 1-9: Wissen, wie diese Rollen im Team zusammenarbeiten könnten (Team Topologies für ML-Teams).
+==== LZ 1-9: Zusammenarbeit der Rollen im Team (Team Topologies für ML-Teams)
+
+Die Teilnehmer:innen wissen, wie diese Rollen im Team zusammenarbeiten könnten (Team Topologies für ML-Teams).
 
 [[LZ-1-10]]
-==== LZ 1-10: Wissen, wie man KI Use Cases identifiziert und priorisiert.
+==== LZ 1-10: Identifikation und Priorisierung von KI Anwendungsfällen
+
+Die Teilnehmer:innen können KI Anwendungsfälle identifizieren und priorisieren.
 
 [[LZ-1-11]]
-==== LZ 1-11: Kennen KI Stärken und Grenzen (Jagged Technological Frontier).
+==== LZ 1-11: KI Stärken und Grenzen
 
-[[LZ-1-12]]
-==== LZ 1-12: Wissen wie man Künstliche Intelligenz definiert und die Anordnung zu Machine Learning, Data Science, Deep Learning, Generative AI.
+Die Teilnehmer:innen verstehen die Stärken und die Grenzen von KI und kennen die sog. "Jagged Technological Frontier".
 
-[[LZ-1-13]]
-==== LZ 1-13: Kennen Productivity J-Curve Konzept in Verbindung mit KI-Technologie (Dieses Phänomen hilft zu verstehen, warum Unternehmen bei der Implementierung von KI zunächst einen Produktivitätsrückgang verzeichnen können, dem bei der weiteren Entwicklung aber Produktivitätsgewinne folgen können.).
+[[LZ-1-12]]
+==== LZ 1-12: Kennen Productivity J-Curve Konzept in Verbindung mit KI-Technologie (Dieses Phänomen hilft zu verstehen, warum Unternehmen bei der Implementierung von KI zunächst einen Produktivitätsrückgang verzeichnen können, dem bei der weiteren Entwicklung aber Produktivitätsgewinne folgen können.).
 
 // end::DE[]
 

docs/02-module-block-2/02-learning-goals.adoc

@@ -2,16 +2,24 @@
 
 // tag::DE[]
 
-Die Teilnehmer:Innen …
+Die Teilnehmer:Innen erreichen mit diesem Kapitel die folgenden Lernziele:
 
 [[LZ-2-1]]
-==== LZ 2-1: Wissen, wie Datenschutzgesetze, wie die DSGVO, die Sammlung, Verarbeitung und Speicherung von Daten durch KI-Systeme beeinflussen.
+==== LZ 2-1: Einfluss der Datenschutzgesetze auf die Implemenzierung und Nutzung von KI 
+
+Die Teilnehmer:innen kennen die Datenschutzgesetze, wie die DSGVO, und wissen wie diese die Sammlung, Verarbeitung und Speicherung von Daten durch KI-Systeme beeinflussen.
 
 [[LZ-2-2]]
-==== LZ 2-2: Verstehen die Ziele und Regelungen des EU AI Act und dessen Einfluss auf die Entwicklung und den Einsatz von KI-Systemen.
+==== LZ 2-2: Ziele und Regelungen des EU AI Act
+
+Die Teilnehmer:innen verstehen die Ziele und Regelungen des EU AI Act und wissen welchen Einfluss dies auf die Entwicklung und den Einsatz von KI-Systemen hat.
 
 [[LZ-2-3]]
-==== LZ 2-3: Verstehen die Anforderungen für EU AI Act (Trustworthy AI) und welchen Einfluss diese Anforderungen auf die Architektur des Softwaresystems hat:
+==== LZ 2-3: Einfluss des EU AI Act (Trustworthy AI) auf den Entwicklungsprozess und die Architektur des Softwaresystems
+
+Die Teilnehmer:innen verstehen die Anforderungen des EU AI Act (Trustworthy AI) und welchen Einfluss diese Anforderungen auf den Entwicklungsprozess und die Architektur 
+des Softwaresystems hat. Insbesondere kennen sie den Einfluss auf einige der folgenden Aspekte:
+
 * Risikomanagementsystem (Risikominimierung)
 * Datenqualität und Datengovernance (Qualitätsmanagementsystem)
 * Erstellung und Pflege einer umfassenden technischen Dokumentation des KI-Systems
@@ -22,64 +30,124 @@ Die Teilnehmer:Innen …
 * Implementierung von Maßnahmen zur Cybersicherheit
 
 [[LZ-2-4]]
-==== LZ 2-4: Wissen, wie KI-Systeme nach EU AI Act Risikolevel (verboten, hochrisikoreich, begrenzt risikoreich, niedrigrisikoreich) klassifiziert werden und welche regulatorischen Anforderungen jeweils gelten.
+==== LZ 2-4: Klassikifaktion von KI-Systemen nach EU AI Act Risikolevel
+
+Die Teilnehmer:innen kennen die Klassifikation von KI-Systemen nach den EU AI Act Risikolevel (verboten, hochrisikoreich, begrenzt risikoreich, niedrigrisikoreich) und wissen,
+ welche regulatorischen Anforderungen jeweils gelten.
 
 [[LZ-2-5]]
-==== LZ 2-5: Wissen um die Urheberrechtsproblematik für KI-generierte Inhalte und die Auswirkungen auf bestimmte Software-Lizenzmodelle sowie mögliche Umgänge damit.
+==== LZ 2-5: Urheberrechtsproblematik von KI-generierten Inhalten
+
+Die Teilnehmer:innen verstehen die Urheberrechtsproblematik für KI-generierte Inhalte und kennen die Auswirkungen auf bestimmte Software-Lizenzmodelle sowie mögliche Umgänge damit.
 
 [[LZ-2-6]]
-==== LZ 2-6: Kennen verschiedene Arten bzw. Grade der Offenheit freier ML-Modelle, z.B. was die Offenlegung der Daten und der Modellparameter anbelangt.
+==== LZ 2-6: Arten bzw. Grade der Offenheit freier ML-Modelle
+
+Die Teilnehmer:innen überblicken verschiedene Arten bzw. Grade der Offenheit freier ML-Modelle. Das betrifft beispielsweise die Offenlegung der Daten 
+und der Modellparameter.
 
 [[LZ-2-7]]
-==== LZ 2-7: Kennen verschiedene Arten von Lizenzen freier ML-Modelle sowie deren Auswirkungen.
+==== LZ 2-7: Arten von Lizenzen freier ML-Modelle
+
+Die Teilnehmer:innen kennen verschiedene Arten von Lizenzen freier ML-Modelle sowie deren Auswirkungen auf das KI-System
 
 [[LZ-2-8]]
-==== LZ 2-8: Kennen die Grundaussagen des europäischen AI-Acts (insbesondere Transparenzpflichten) und kennen Strategien für deren Einhaltung sowie mögliche Herausforderungen dabei.
+==== LZ 2-8: Strategien für die Einhaltung des europäischen AI-Acts und mögliche Herausforderungen
+
+Die Teilnehmer:innen verstehen die Grundaussagen des europäischen AI-Acts (insbesondere Transparenzpflichten) und kennen Strategien 
+für deren Einhaltung sowie mögliche Herausforderungen dabei.
 
 [[LZ-2-9]]
-==== LZ 2-9: Wissen, wie man Modelle und Datensätze effektiv dokumentiert, um Nachvollziehbarkeit und Transparenz zu gewährleisten.
+==== LZ 2-9: Dokumentation von Modellen und Datensätzen für die Nachvollziehbarkeit und Transparenz
+
+Die Teilnehmer:innen wissen, wie man Modelle und Datensätze effektiv dokumentiert, um Nachvollziehbarkeit und Transparenz zu gewährleisten.
 
 [[LZ-2-10]]
-==== LZ 2-10: Kennen mögliche Fallstricke hinsichtlich Security.
+==== LZ 2-10: Fallstricke hinsichtlich Security
+
+Die Teilnehmer:innen kennen mögliche Fallstricke hinsichtlich Security.
 
 [[LZ-2-11]]
-==== LZ 2-11: Kennen typische Angriffsarten auf ML-Modelle und Beispiele dafür, u.a.: LLM-Jailbreaks durch Prompt-Engineering, Adversarial Attacks, Data Poisoning, Model Inversion & Extraction.
+==== LZ 2-11: Angriffsarten auf ML-Modelle
+
+Die Teilnehmer:innen kennen typische Angriffsarten auf ML-Modelle und Beispiele dafür, besipielsweise:
+
+* LLM-Jailbreaks durch Prompt-Engineering 
+* Adversarial Attacks
+* Data Poisoning
+* Model Inversion & Extraction.
+
 
 [[LZ-2-12]]
-==== LZ 2-12: Wissen, wie man AI-Risk Minimierung Strategien entwickelt und anwendet.
+==== LZ 2-12: AI-Risk Minimierung Strategien
+
+Die Teilnehmer:innen können Strategien zur AI-Risikominimierung entwickeln und anwenden. Insbesondere die folgenden Strategien kennen die Teilnehmer:innen:
+
+* Stärkung der Robustheit durch umfangreiche Tests
+* Fehlertolerante KI-Systeme
+* Transparente Entwicklung
+* Erklärbare KI (explainable AI)
+
 
 [[LZ-2-13]]
-==== LZ 2-13: Kennen verschiedene Möglichkeiten zur Absicherung gegen solche Angriffe (AI Security) und zur Integration von Sicherheitsstandards in die Architektur.
+==== LZ 2-13: Möglichkeiten zur Absicherung gegen Angriffe (AI Security)
+
+Die Teilnehmer:innen kennen verschiedene Möglichkeiten zur Absicherung gegen Angriffe (AI Security) und insbesondere kennen sie Möglichkeiten 
+zur Integration von Sicherheitsstandards in die Architektur und können diese beim Entwurf berücksichtigen.
+
 
 [[LZ-2-14]]
-==== LZ 2-14: Kennen die Grundproblematik und die verschiedenen Facetten von AI-Safety.
+==== LZ 2-14: Grundproblematik und Facetten von AI-Safety
+
+Die Teilnehmer:innen verstehen die Grundproblematik von AI-Safety und kennen die verschiedenen Facetten dazu. Insbesondere kennen die Teilnehmer:innen
+spezifische Probleme wie beispielsweise "AI model risks by poisining" und  "Bias".
 
 [[LZ-2-15]]
-==== LZ 2-15: Wissen um die Probleme hinsichtlich Ethik, die KI-Systeme mit sich bringen können
+==== LZ 2-15: Probleme hinsichtlich Ethik, die KI-Systeme mit sich bringen können
+
+Die Teilnehmer:innen wissen um die Probleme hinsichtlich Ethik, die KI-Systeme mit sich bringen können.
 
 [[LZ-2-16]]
-==== LZ 2-16: Kennen Ansätze und Möglichkeiten, mit ethischen Problemen umzugehen z.B. KI-Alignment (und dessen Grenzen) oder die Erstellung eigener KI-Richtlinien.
+==== LZ 2-16: Ansätze zum Umgang mit ethischen Problemen
+
+Die Teilnehmer:innen kennen Ansätze und Möglichkeiten, mit ethischen Problemen umzugehen. Dies umfasst beispielsweise  KI-Alignment (und dessen Grenzen) sowie 
+die Erstellung eigener KI-Richtlinien.
 
 [[LZ-2-17]]
-==== LZ 2-17: Kennen wichtige Ethik-Leitlinien wie die „EU-Ethik-Leitlinien für vertrauenswürdige KI“ sowie die „Google AI Ethics Guidelines“
+==== LZ 2-17: Ethik-Leitlinien
+
+Die Teilnehmer:innen überblicken wichtige Ethik-Leitlinien wie die „EU-Ethik-Leitlinien für vertrauenswürdige KI“ sowie die „Google AI Ethics Guidelines“.
 
 [[LZ-2-18]]
-==== LZ 2-18: Kennen die wichtigsten Dokumente zu AI Governance, um die Kernprinzipien zu AI Governance und Responsible AI für das Unternehmen auszuarbeiten.
+==== LZ 2-18: Kernprinzipien zu AI Governance und Responsible AI für Unternehmen
+
+Die Teilnehmer:innen kennen die wichtigsten Dokumente zu AI Governance, um die Kernprinzipien zu AI Governance und Responsible AI für das Unternehmen auszuarbeiten. Dies betrifft 
+insbesondere die folgenden Dokumente:
+
 * OECD AI Principles, https://oecd.ai/en/ai-principles
 * The Asilomar AI Principles, https://futureoflife.org/open-letter/ai-principles/
 * The IEEE Ethically Aligned Design framework, https://standards.ieee.org/wp-content/uploads/import/documents/other/ead_v2.pdf
 
 [[LZ-2-19]]
-==== LZ 2-19: Erhalten einen Einblick in die Einrichtung von "Regulatory Sandboxes" zur Förderung von Innovationen und die möglichen rechtlichen Konsequenzen bei Nichteinhaltung der Vorschriften des AI-Acts.
+==== LZ 2-19: Einblick in die Einrichtung von "Regulatory Sandboxes" und die mögliche rechtliche Konsequenzen bei Nichteinhaltung der Vorschriften des AI-Acts.
+
+Die Teilnehmer:innen erhalten einen Einblick in die Einrichtung von "Regulatory Sandboxes" zur Förderung von Innovationen und 
+in die möglichen rechtlichen Konsequenzen bei Nichteinhaltung der Vorschriften des AI-Acts.
 
 [[LZ-2-20]]
-==== LZ 2-20: Verstehen die Strukturen und Prozesse, die zur Steuerung und Kontrolle von KI-Systemen notwendig sind, um ethische und gesetzliche Anforderungen zu erfüllen.
+==== LZ 2-20: Strukturen und Prozesse für die Steuerung und Kontrolle von KI-Systemen, um ethische und gesetzliche Anforderungen zu erfüllen.
+
+Die Teilnehmer:innen verstehen die Strukturen und Prozesse, die zur Steuerung und Kontrolle von KI-Systemen notwendig sind, um ethische und gesetzliche Anforderungen zu erfüllen.
 
 [[LZ-2-21]]
-==== LZ 2-21: Wissen, wie effektive Datenverwaltung die Qualität und Sicherheit von Daten in KI-Anwendungen sicherstellt.
+==== LZ 2-21: Effektive Datenverwaltung für die Sicherstellung von Qualität und Sicherheit von Daten in KI-Anwendungen
+
+Die Teilnehmer:innen wissen, wie effektive Datenverwaltung die Qualität und Sicherheit von Daten in KI-Anwendungen sicherstellt.
 
 [[LZ-2-22]]
-==== LZ 2-22: Verstehen die Bedeutung der Transparenzpflicht bei KI-Systemen und wissen, wie sie diese in der Praxis umsetzen können.
+==== LZ 2-22: Bedeutung und Umsetzung der Transparenzpflicht bei KI-Systemen
+
+Die Teilnehmer:innen verstehen die Bedeutung der Transparenzpflicht bei KI-Systemen und wissen, wie sie diese in der Praxis umsetzen können.
 
 // end::DE[]