4 MinutenKI klug für schulischen Erfolg nutzen
Eine Faustregel formulieren, mit der sich KI-Hausaufgabenhilfe von KI-Schummeln unterscheiden lässt.
Kuratierte Bibliothek
Sehen Sie sich die verständlichsten Begleitvideos an, ohne die gesamte Bibliothek durchsuchen zu müssen. Wählen Sie einen Lernpfad, machen Sie dort weiter, wo Sie aufgehört haben, oder nutzen Sie die Filter, wenn Sie bereits wissen, was Sie benötigen.
Gewinnen Sie Sicherheit im Umgang mit KI-Grundlagen, Prompting, Datenschutz, Halluzinationen und der alltäglichen Nutzung.
Verstehen Sie, was KI kann und was sie nicht kann, bevor Sie etwas automatisieren.
Lernen Sie Workflows für Meetings, Schreiben, Recherche, No-Code-Tools und wiederholbare Geschäftsaufgaben kennen.
Verwandeln Sie KI von einem Chatfenster in eine zuverlässige Arbeitsgewohnheit.
Tauchen Sie tiefer in Agenten, RAG, MCP, strukturierte Ausgaben, Evaluierungen, APIs und lokale KI ein.
Bewerten und entwickeln Sie KI-Systeme, ohne Demos mit Produktivsystemen gleichzusetzen.
Befassen Sie sich mit Governance, der Vorbereitung auf die EU-KI-Verordnung, Make-or-Buy-Entscheidungen, ROI und Optionen für private KI.
Treffen Sie sicherere Entscheidungen zur KI-Einführung in einem Team oder Unternehmen.
173 Ergebnisse
Nichts passt zu diesen FilternVersuchen Sie eine andere Kategorie oder ein anderes Niveau oder setzen Sie die Filter zurück, um alle Inhalte anzuzeigen.
4 MinutenEine Faustregel formulieren, mit der sich KI-Hausaufgabenhilfe von KI-Schummeln unterscheiden lässt.
5 MinutenZwei visuelle Hinweise nennen, die auf ein KI-generiertes Bild hindeuten können, ohne dessen Ursprung zu beweisen.
5 MinutenEin Beispiel aus dem Beitrag notieren, in dem eine KI-Antwort vom professionellen medizinischen Urteil abwich — ohne den Beitrag als medizinischen Rat zu behandeln.
11 MinutenLücken zwischen KI-Gespräch und lizenzierter therapeutischer Versorgung benennen, damit klar ist, wann Sie eine menschliche Fachkraft aufsuchen sollten.
20 MinutenDen von Turkle beschriebenen Unterschied zwischen Vernetzung und Gesellschaft benennen und auf eine eigene KI-Chat-Gewohnheit anwenden.
17 MinutenDen Begriff „Aufmerksamkeitsökonomie“ erklären und eine Gestaltungsmethode nennen, mit der Aufmerksamkeit gebunden wird.
1 MinutenWandeln Sie den Workflow in ein kleines praktisches Experiment mit einer klaren Qualitätssicherung um.
57 MinutenZwei konkrete Risiken von KI-Companion-Apps für Kinder benennen, die im Panel diskutiert werden.
11 Minuten„Shadow AI“ definieren und eine Datenkategorie nennen, die niemals in einen KI-Chatbot für Privatkundinnen und Privatkunden gehört.
1 MinutenNotieren Sie eine in der Ankündigung beschriebene Funktion des Study Mode, etwa Anleitung statt bloßer Antworten. Prüfen Sie diese anschließend anhand der aktuellen Produktdokumentation, da sich Funktionen ändern können.
15 MinutenEin Risiko oder ein ethisches Bedenken nennen, das das Segment zu KI-Chatbots aufwirft, die eine verstorbene geliebte Person simulieren – ohne den Podcast als klinische Trauerberatung zu behandeln.
13 MinutenRisiken benennen, die O’Neil mit schädlichen Bewertungssystemen verbindet, etwa Undurchsichtigkeit, große Reichweite und mögliche Schäden, ohne den Vortrag als vollständige technische Definition zu behandeln.
5 MinutenIn einem Satz erklären, warum ein KI-Chatbot selbstbewusst klingen und zugleich faktisch falsch liegen kann.
5 MinutenEinen Gesprächspunkt zu Privatsphäre, Fairness oder Verantwortung aus dem Video übernehmen, um ein KI-Gespräch mit Jugendlichen zu beginnen.
16 MinutenEinen Tutor-Prompt schreiben, der die KI anweist, mit Fragen anzuleiten, statt die Antwort direkt vorzugeben.
4 MinutenMit Ihrer Familie ein geheimes Codewort für dringende Anrufe vereinbaren und die Einzelheiten anhand aktueller Verbraucherschutzhinweise statt nur anhand eines Nachrichtenbeitrags prüfen.
8 MinutenZusammenfassen, welche Ergebnisse der Nachrichtenbeitrag der Studie zu KI-gestütztem Schreiben zuschreibt, und Replikation sowie Grenzen weiterhin als offen behandeln.
17 MinutenLernen Sie, KI-Workflows so zu gestalten, dass sie pausieren, fortgesetzt werden, menschliches Urteilsvermögen anfordern und den Geschäftszustand von Vermutungen des Modells trennen können.
18 MinutenSehen Sie, wie sich Freigabestufen als ausdrückliche Workflow-Kontrollpunkte implementieren lassen, statt erst nach einem Fehler informell manuell zu prüfen.
32 MinutenLernen Sie, KI in die Lokalisierung einzuführen, ohne Menschen die Verantwortung für Bedeutung, Ton, Terminologie und abschließende Freigabe zu entziehen.
4 MinutenVerstehen Sie, warum mehrsprachige Embeddings für eine private interne Suche wichtig sind und wie lokaler Abruf das Risiko einer Datenoffenlegung reduzieren kann.
17 MinutenEinen Multi-Agenten-Entwicklungsworkflow mit klaren Review-Grenzen einrichten, damit generierte Änderungen klein, getestet und eindeutig verantwortet bleiben.
56 MinutenEinen ROI-Nachweis für einen KI-Workflow mit Ausgangswert, direkten und indirekten Vorteilen, Qualitätsprüfungen und einer expliziten Abbruchentscheidung entwickeln.
41 MinutenMake-or-Buy-Entscheidungen für KI anhand von Ergebnis, Datenkontrolle, Workload-Wirtschaftlichkeit, Infrastrukturreife und betrieblicher Verantwortung treffen.
20 MinutenPraktische Zugriffskontrollmuster für RAG mit Unternehmenswissen bewerten, bevor sensible interne Dokumente indexiert werden.
30 MinutenDen historischen Zeitplan des Videos mit dem geltenden EU-Recht vergleichen und die aktuellen Fristen anschließend den Aufgaben zu Anbieternachweisen und Zuständigkeiten zuordnen, die ein KMU einplanen muss.
37 MinutenPrivate KI als Infrastruktur- und Governance-Entscheidung bewerten, statt sich reflexartig für SaaS oder Selbstbetrieb zu entscheiden.
69 MinutenDie wahrscheinlich ersten Fehlermodi eigener Agenten erkennen und Tests, Rückfallmechanismen sowie Abschaltkriterien für jeden davon im Voraus planen.
7 MinutenVerstehen, weshalb Dokumentenparsing, Strukturerhalt und Qualitätsprüfungen bei der Aufnahme erforderlich sind, bevor RAG über PDFs und gemischte Dateiformate aufgebaut wird.
6 MinutenDie Kernarchitektur eines Sprachagenten und die Fehlerpunkte erkennen, die das Kundenvertrauen in realen Anrufen beeinträchtigen.
211 MinutenDen modernen LLM-Stack so gut verstehen, dass Sie Tokens, Training, Werkzeuge und Fehlermodi fundiert beurteilen können.
40 MinutenProduktideen mit partieller Autonomie bewerten, bei denen Menschen die Kontrolle über risikoreiche Entscheidungen behalten.
190 MinutenEinen LangGraph-Agenten mit typisiertem Zustand, bedingtem Routing, Checkpoints und Werkzeugnutzung entwickeln und beurteilen, wann sich diese Explizitheit auszahlt.
66 MinutenEin CrewAI-Team im Rollen-Ziele-Hintergrundgeschichten-Modell aufsetzen und seinen verborgenen Ausführungszyklus mit expliziten Graphen vergleichen.
15 MinutenEinfachere Agentenschleifen mit klaren Abbruchregeln, Aufgabengrenzen und menschlichen Kontrollpunkten entwerfen.
18 MinutenHäufige Fehler beim Agentenbau erkennen, bevor Sie mehrere Agenten, komplexe Prompts oder verborgenen Zustand ergänzen.
66 MinutenSie sehen den vollständigen Anfänger-Workflow für die Erstellung eines kleinen Cursor-Projekts, einschließlich Einrichtung, Prompten, Debuggen, grundlegendem Git und den Grenzen der KI-gestützten Programmierung.
5 MinutenSie können die drei Schutzmaßnahmen benennen, die gelten sollten, bevor eine KI Code für Sie schreibt, und verstehen, welchen konkreten Fehler jede davon verhindert.
31 MinutenSie sehen, wie ein n8n-Support-Workflow retrievalgestützte Antworten entwirft und Aktualisierungen der Wissensbasis vorschlägt, und bestimmen die vor dem Produktionseinsatz nötigen Kontrollen.
231 MinutenSie sehen, wie ein Support-Agent Wissensabruf, Eskalation und Workflow-Tools kombiniert, bevor er für den Produktionseinsatz abgesichert wird.
37 MinutenSie nutzen KI, um Annahmen zu hinterfragen, Optionen zu vergleichen und Gegenargumente sichtbar zu machen, bevor Sie eine Entscheidung treffen.
10 MinutenSie können mit einem Multi-Prompt-Workflow den Einstieg eines Anschreibens anpassen und Lebenslaufpunkte anhand einer realen Stellenbeschreibung überarbeiten.
9 MinutenSie nutzen KI zur Vorbereitung von Kontaktaufnahme, Vorstellungsgesprächen und Nachfassnachrichten und halten Ihre eigene Geschichte dabei konkret und ehrlich.
17 MinutenSie verbinden aktives Abrufen, Übungsaufgaben und KI-Erklärungen zu einer wiederholbaren Lernroutine.
22 MinutenSie erstellen aus Ihrem Ziel, Zeitplan und Ihren Einschränkungen einen realistischen Lernplan und passen ihn im Laufe des Lernens an.
13 MinutenSie gestalten einen Meeting-Workflow, der Transkripte, Zusammenfassungen und Maßnahmen erfasst und die menschliche Prüfung beibehält.
4 MinutenSie vergleichen einen eigenständigen Transkriptionsworkflow mit integrierten Meeting-Assistenten, bevor Sie ein Tool auswählen.
18 MinutenSie lassen sich Formeln von ChatGPT erklären und entwickeln Tabellenlogik iterativ weiter, während Sie jedes Ergebnis in Excel überprüfen.
12 MinutenSie sehen, wie Tabellenkalkulations-KI unübersichtlichen Text strukturiert und Daten klassifiziert, und prüfen anschließend Formeln und Bezeichnungen sorgfältig.
23 MinutenSie sehen, wie ein langfristig genutzter ChatGPT-Thread Essensplanung, Besorgungen, Reisevorbereitung und andere risikoarme Aufgaben der Alltagsorganisation unterstützen kann.
48 MinutenSie entwickeln Intuition für Midjourney-Prompts und trennen dauerhafte Prompt-Konzepte von veränderlichen Bedienelementen.
48 MinutenSie vergleichen Bildgeneratoren anhand der Eignung für Ihre Aufgabe, ihrer Fehlerbilder und Kosten, statt eine feste Rangliste auswendig zu lernen.
24 MinutenEntwerfen Sie einen Marketing-Workflow, in dem KI Inhalte erstellt und Aufgaben weiterleitet, Menschen jedoch die Kontrolle über Strategie, Markenstimme und Veröffentlichung behalten.
30 MinutenVerschaffen Sie sich einen Überblick über die aktuelle Marketing-Tool-Landschaft, bevor Sie entscheiden, welche Workflows automatisiert werden sollten.
90 MinutenSie nutzen KI als kritischen Lektor für Struktur, Argumentation und Überarbeitung, ohne Ihre eigene Stimme auszulagern.
18 MinutenSie können Perplexity und NotebookLM zu einer Recherchepipeline verbinden, die Quellen findet, liest und synthetisiert.
26 MinutenSie können ein Notebook in NotebookLM einrichten und damit lange Dokumente aus eigenen Quellen zusammenfassen, befragen und miteinander abgleichen.
26 MinutenBewerten Sie, wo Sprachagenten in Vertriebsworkflows passen könnten und wo Offenlegung, Einwilligung und Eskalation zu Hindernissen werden.
30 MinutenVerstehen Sie die Pipeline für Datenanreicherung und Personalisierung hinter KI-gestütztem Outbound, ohne Automatisierung mit Qualität gleichzusetzen.
11 MinutenSie lernen, welche Anforderungen an Aufnahmequalität und Einwilligung gelten, bevor Sie einen Stimmenklon erstellen.
16 MinutenSie verstehen die wichtigsten Kategorien von KI-Audio-Workflows: Vertonung, Sprache-zu-Sprache, Stimmgestaltung und Stimmenklonung.
10 MinutenSie wählen anhand des Quellenbedarfs, der Aktualität und der Folgen einer falschen Antwort zwischen Suche, Antwortmaschinen und Chatbots.
23 MinutenSie untersuchen eine Multi-Agenten-Pipeline für Newsletter und erkennen, wo Quellen, Freigabe und Fehlerbehandlung hingehören.
20 MinutenSie erhalten einen kompakten Rahmen für klare Prompts und Iteration sowie ausgearbeitete Muster für E-Mails, Zusammenfassungen und Analysen.
25 MinutenSie erstellen bessere Prompts, indem Sie Rolle, Aufgabenkontext, Beispiele, Einschränkungen und Ausgabeformat Schicht für Schicht ergänzen.
42 MinutenSie können zentrale bewährte Prompting-Verfahren anwenden und in Ihrer eigenen Arbeit zwischen Zero-Shot- und Few-Shot-Prompting unterscheiden.
20 MinutenSie verfügen mit der fünfteiligen TCREI-Struktur über eine wiederverwendbare Checkliste zum Erstellen und Verfeinern eigener Prompts.
24 MinutenErkennen Sie den Ablauf von Browser-Agenten-Aktionen, wo sie helfen und wo weiterhin menschliche Bestätigungen erforderlich sind.
2 MinutenVergleichen Sie das Verhalten von Computer Use auf dem Desktop mit dem von reinen Browser-Agenten.
11 MinutenSie erkennen die Phasen Quellenauswahl, Frage, generiertes Artefakt und Zitatprüfung in einem gehosteten Dokumentenassistenten.
26 MinutenSie beobachten einen quellenbasierten Notebook-Workflow und bestimmen die nötigen Prüfungen für Retrieval, Zitate, Herkunft und Berechtigungen, bevor Sie sich darauf verlassen.
29 MinutenSie verstehen das Schlussfolgerungsmuster aus Erzeugen, Bewerten, Verwerfen und Zurückgehen und erkennen, wann es für reale Aufgaben zu teuer ist.
25 MinutenSie können eine Rolle, strukturierte Abschnitte und ausdrückliche Denkschritte in einen Prompt integrieren, ohne Chain-of-Thought zu ritualisieren.
11 MinutenSie entwerfen E-Mails schneller mit KI und unterziehen Ton und Klarheit anschließend einem Belastungstest aus Sicht des Empfängers.
26 MinutenSie verstehen, warum sich Sprachdialoge in Echtzeit anders anfühlen als Diktat oder klassische Sprachassistenten.
3 MinutenSie erleben multimodale Sprachinteraktion in kurzer Form, insbesondere Unterbrechungen, Tonfall und kameragestützte Gespräche.
69 MinutenSie entwickeln ein Verständnis für die Wahl der Chunking-Strategie, bevor Sie ein reales Retrieval-System optimieren.
24 MinutenSie sehen, wie Anfrageumformulierung, hybrides Retrieval, Reranking und Korrekturschleifen in einer RAG-Pipeline zusammenspielen.
5 MinutenVerstehen, weshalb screenshotbasierte Computersteuerung gegenüber API-nativer Automatisierung leistungsfähig, aber langsam, teuer und fragil ist.
8 MinutenEntscheiden Sie, wo Browser- oder Computer-Agenten kommerziell nützlich sein könnten, trotz ihrer operativen Risiken.
25 MinutenSie nutzen die OWASP-Risikokategorien für LLMs, um Tool-Zugriffe, Ausgabeverarbeitung und die mögliche Offenlegung sensibler Daten zu prüfen.
11 MinutenSie unterscheiden direkte von indirekter Prompt Injection und verstehen, warum Filter allein nicht genügen.
22 MinutenDie Muster Schreiben, Auswählen, Komprimieren und Isolieren anwenden, um Agentenkontext bewusst zu verwalten.
8 MinutenVerstehen, wie lange Kontexte unter Mehrdeutigkeit und Ablenkungen versagen können, und Tests für dieses Risiko entwerfen.
19 MinutenAbschätzen, wann sich Prompt-Caching für reale Workloads lohnt, indem Schreibaufschläge und Einsparungen beim Lesen gegeneinander abgewogen werden.
56 MinutenPrompt-Caching nur einsetzen, wenn stabile Präfixe sowie Latenz- und Kostenverhalten zum Workload passen.
12 MinutenErstellen Sie einen kleinen wiederverwendbaren Assistenten mit Anweisungen, Wissensdateien und Zugriffseinstellungen.
13 MinutenSie verstehen Kontext auf Projektebene und erkennen, wann er besser geeignet ist, als denselben Hintergrund in jedem Chat zu wiederholen.
131 MinutenSie verstehen, wie ein versierter Nutzer dauerhafte Präferenzen von einmaligem Kontext trennt.
36 MinutenSie konfigurieren die Personalisierung bewusst, statt Erinnerungen, Anweisungen und Projektkontext miteinander verschwimmen zu lassen.
22 MinutenSie sehen Deep Research und Analysemodi in der Unternehmensrecherche statt ausschließlich bei akademischer Literatur angewendet.
14 MinutenSie grenzen eine Deep-Research-Aufgabe ein, warten auf den Bericht und prüfen vor dessen Verwendung Quellenangaben und Quellenqualität.
107 MinutenLernen Sie den Eval-Zyklus für Produktentwickler kennen: Traces prüfen, Fehler kennzeichnen, Kriterien definieren, Änderungen testen und die Ergebnisse mit menschlichen Bewertungen vergleichen.
3 MinutenSehen Sie die kleinste codefreie Variante einer wiederholbaren Prompt-Evaluierung.
55 MinutenEine Eval-Stufenfolge entwerfen, die Regressionen erkennt, bevor Änderungen an Prompts oder Modellen die Nutzer erreichen.
19 MinutenVerstehen, wie ein Produktionsteam Assertions, menschliche Prüfung und LLM-Bewerter so kombiniert, dass Regressionen vor der Veröffentlichung sichtbar werden.
42 MinutenSie sehen, wie Beispiele das Modellverhalten verändern, und lernen, wann Few-Shot-Prompting den zusätzlichen Einrichtungsaufwand rechtfertigt.
25 MinutenSie können Beispiele in eine umfassendere Prompt-Struktur einfügen und abschätzen, wie sie die Modellausgabe verändern.

Sie können Quantisierung, LoRA- und QLoRA-Feinabstimmungen von Anfang bis Ende auf Hardware durchführen, die die meisten Entwickler bereits besitzen.

Fine-Tuning in die umfassendere Trainingspipeline einordnen und entscheiden, wann es Prompting oder RAG überlegen ist.
26 MinutenSie erstellen Ihren ersten Workflow mit einem n8n-KI-Agenten und erkennen, wo Tool-Zugriff, Memory und Schutzvorkehrungen hingehören.
92 MinutenSie erweitern einen einfachen Agenten zu mehrstufigen Workflows mit Memory, Fehlerbehandlung und realistischen Geschäftsintegrationen.
29 MinutenSie können Ihr erstes Custom GPT vollständig aufbauen und beurteilen, welche bestehenden GPTs Ihre Tool-Sammlung sinnvoll ergänzen.
44 MinutenSie verstehen, wie Anweisungen, Aktionen und Wissensdateien eines Custom GPT zusammenspielen, bevor Sie einen einfachen Assistenten über den Einsteigerworkflow hinaus erweitern.
30 MinutenSie verstehen Auslöser, Aktionen und einfache Automatisierungsabläufe, bevor Sie KI in einen Geschäftsprozess einbinden.
12 MinutenSie können entscheiden, wann ein KI-Agent Auslöser, Auswahl des nächsten Schritts und Aktion übernehmen sollte, statt einen einfachen Zap mit einem KI-Schritt zu verwenden.
15 MinutenSie entscheiden anhand Ihrer aktuellen Arbeitslast, ob ein kostenpflichtiger ChatGPT-Tarif sinnvoll ist, statt den beeindruckend klingenden Tarif zu wählen.
131 MinutenSie sehen, wie ein erfahrener Nutzer zwischen Tools, Modi und Kontextstrategien wechselt und dabei die Überprüfung fest in den Ablauf integriert.
60 MinutenSie entwickeln ein nüchternes Denkmodell von LLMs als Vorhersagesystemen mit Kontextfenstern, Trainingsdaten, Sampling und typischen Fehlerbildern.
13 MinutenSie verstehen, wie integrierte Assistenten E-Mail, Meetings und Aufgaben zu einem überprüfbaren Arbeitskreislauf verbinden können.
14 MinutenSie erkennen praktische KI-Schritte für E-Mails: Threads zusammenfassen, Antworten entwerfen, den Ton anpassen und Nachfassaufgaben organisieren.
32 MinutenSie können einen projektorientierten Lernzyklus durchführen, in dem die KI nur das Wissen erschließt, das Sie zum Abschluss eines realen Vorhabens benötigen.
10 MinutenSie verwandeln ein Thema in einen Lernplan mit Erklärungen, Übungsfragen und überprüfbaren Feedbackschleifen.
14 MinutenSie installieren eine lokale Modelllaufzeit, laden ein kleines Modell und verstehen den Zielkonflikt zwischen Datenschutz und Leistung, bevor Sie es für reale Aufgaben verwenden.
6 MinutenSie probieren lokale KI über eine grafische Oberfläche aus und vergleichen das Verhalten kleiner Modelle mit gehosteten Spitzenmodellen.
20 MinutenSie verstehen die Rollen im Protokoll: Host, Client, Server, Tools, Ressourcen, Prompts und Transportmechanismen.
16 MinutenSie können in verständlicher Sprache erklären, was MCP verändert, und entscheiden, ob eine Tool-Verbindung MCP oder eine einfachere Integration verwenden sollte.
104 MinutenVerstehen, wie MCP über einen lokalen Demo-Server hinaus in agentische Systeme eingebettet wird.
75 MinutenEinen ersten MCP-Server entwickeln und verstehen, wie Werkzeuge, Schemata, Prompts, Ressourcen und Transporte zusammenspielen.
19 MinutenWerkzeuge so gestalten, dass Agenten die richtige Aktion mit den richtigen Parametern auswählen.
29 MinutenEntscheiden können, welches Verhalten in den System-Prompt, die Werkzeugbeschreibung oder die Vorbedingungen des Werkzeugs gehört.
7 MinutenEntscheidungen zu Kurzzeit- und Langzeitgedächtnis trennen und festlegen, wann der Agent Informationen speichern soll.
44 MinutenEpisodisches, semantisches, Arbeits- und prozedurales Gedächtnis in einem Agenten implementieren, statt die Kategorien nur benennen zu können.
19 MinutenVergleichen Sie Flaggschiff-, Lite-, Mittelklasse- und Spezialmodelle, damit Routing-Entscheidungen auf Eignung für die Aufgabe, Kosten und Latenz statt auf Markenpräferenzen beruhen.
9 MinutenBewerten Sie beim Modell-Routing die Zielkonflikte zwischen Qualität, Kosten und Zuverlässigkeit, bevor Sie zusätzliche Orchestrierungskomplexität einführen.
30 MinutenSie erkennen getrennte Workflow-Phasen und entwickeln testbare Kriterien zur Werkzeugwahl für jede Phase.
14 MinutenSie machen aus mehreren Anwendungsideen mögliche Phasen, die Sie an den Fähigkeits- und Übergabekriterien des Artikels prüfen können.
10 MinutenSie wählen eine Automatisierungsplattform anhand von Hosting, Eignung für KI-Agenten, Integrationen und Wartungsaufwand statt aufgrund von Produkthype.
28 MinutenSie erweitern NotebookLM von einem Zusammenfassungswerkzeug zu einem wiederholbaren Recherche- und Lernworkflow.
35 MinutenSie erstellen ein quellengebundenes Recherche-Notebook und verwandeln es in Briefings, Lernleitfäden oder Arbeitsnotizen.
9 MinutenTraces, Projekte und Datensätze in LangSmith navigieren sowie Tokenkosten, Latenz, Fehlerrate und Details einzelner Spans ablesen können.
154 MinutenTracing, Evaluation, Feedback und Produktionsprüfung zu einem Betriebszyklus für LLM-Systeme verbinden.
93 MinutenSie verstehen, dass Chatbot-Gespräche nicht automatisch privat, rechtlich privilegiert oder für sensible Geschäftsinformationen geeignet sind.
13 MinutenSie können die drei Risikobereiche benennen, die generative KI am Arbeitsplatz hinzufügt — Daten, Modell und Nutzung — und die jeweils erforderlichen Kontrollen beschreiben.
11 MinutenSie können erklären, warum persönliche KI-Konten Risiken für Unternehmensdaten schaffen und wie sich sicherere Grenzen festlegen lassen.
17 MinutenVerstehen, was beim Übergang von RAG zu regulierten, risikoreichen Unternehmensanwendungen scheitert.
19 MinutenDie Kontrollen für produktionsreife RAG-Systeme erkennen, die einfachen Demos für Dokumentenchats fehlen.
13 MinutenPrompt-Injection als Vermischung nicht vertrauenswürdiger Daten modellieren und Sicherheitsgrenzen für die Werkzeugnutzung entwerfen.
17 MinutenAbwehrmaßnahmen gegen Prompt-Injection prüfen, darunter Taint-Analyse, eingeschränkte Ausgabeformen, Nutzerisolation, deterministische Einstellungen und redundante Kontrollen für kritische Pfade.
3 MinutenSie sehen die ursprüngliche Einführungsrahmung von o1 und trennen diesen historischen Bericht von aktueller Implementierungsanleitung.
28 MinutenSie verstehen eine historische Darstellung von o1 und vergleichen anschließend eine direkte Aufgabenspezifikation mit anderen unterstützten Prompt-Varianten für aktuelles Modell und aktuelle Arbeitslast.
9 MinutenErklären, wann Retrieval die richtige Lösung ist und wann Fine-Tuning tatsächlich helfen kann.
13 MinutenAuf Grundlage des tatsächlichen Fehlermusters zwischen Prompt Engineering, RAG, Fine-Tuning oder einer Kombination wählen.
77 MinutenNachvollziehen, wie Fachleute für produktive Prompts Anweisungen, Beispiele und Verhaltensgrenzen unter realem Zeitdruck überarbeiten, statt Prompts als einmalig geschriebenen Text zu behandeln.
25 MinutenBeobachten, wie aus einem vagen Prompt für Versicherungsansprüche ein strukturierter, testbarer Prompt mit klareren Beispielen, Ausgaberegeln und definiertem Ablehnungsverhalten wird.
39 MinutenAgentisches und graphbasiertes Retrieval anhand einer konkreten Implementierung vergleichen.
16 MinutenDen GraphRAG-Ablauf nach Microsoft verstehen: Entitätsextraktion, Communities, Zusammenfassungen und abfrageorientierte Synthese.
10 MinutenSie bewerten C.R.A.F.T. als eine mögliche Struktur zur Prompt-Erzeugung anhand repräsentativer Fälle und ausdrücklicher Abnahmekriterien.
20 MinutenSie leiten eine mögliche Prompt-Struktur ab und ergänzen vor der Prüfung Felder für Verantwortlichkeit, Versionierung, Bewertung, Grenzen und Rückfall.
131 MinutenSie verteilen Aufgaben auf schnelle, kostengünstige, tief schlussfolgernde und quellengebundene Tools, statt für alles dasselbe Modell zu verwenden.
17 MinutenSie lernen eine strukturierte Vergleichsmethode kennen, die Sie bei der Entscheidung wiederverwenden können, welches Modell für eine Aufgabe gut genug ist.
32 MinutenVerstehen, warum Serving-Engines, Batching und der Speicherbedarf des KV-Caches die Wirtschaftlichkeit selbst betriebener Inferenz bestimmen.
14 MinutenSie wählen einige risikoarme KI-Aufgaben für den Alltag aus und testen Prompts, indem Sie die Ergebnisse mit Ihrem eigenen Urteil vergleichen.
4 MinutenSie können die Kamera als Eingabe verwenden, ChatGPT handschriftliche Aufgaben zeigen und sich beim Lernen unterstützen lassen, ohne die Lösung vorweggenommen zu bekommen.
42 MinutenBeurteilen, wann vertikale KI-Agenten einen echten dauerhaften Wettbewerbsvorteil schaffen und wann sie nur dünne Wrapper sind.
34 MinutenPreisgestaltung und Spezialisierung eines KI-Produkts anhand messbarer Ergebnisse statt anhand von Sitzplatzzahlen bewerten.
131 MinutenSie erkennen anhand realer täglicher Nutzung, wann Sie nachfragen, das Modell wechseln oder ein neues Gespräch beginnen sollten.
41 MinutenErklären können, was der strikte Modus garantiert, wie er sich vom früheren JSON-Modus unterscheidet und wie Ablehnungen in den Vertrag für strukturierte Ausgaben passen.
18 MinutenVerstehen, warum schemaorientierte LLM-Aufrufe typisierte Objekte, Validatoren, Wiederholungsversuche und einen expliziten Umgang mit fehlerhaften oder halluzinierten Feldern benötigen.
8 MinutenNutzen Sie mehrere Zukunftsszenarien für KI, um die Einführung zu planen, ohne alles auf eine Prognose zu setzen.
60 MinutenRichten Sie die KI-Einführung an veränderten Workflows, dem Aufbau von Fähigkeiten und realistischen organisatorischen Risiken aus.
34 MinutenSie können den Deutungen als Einheitsbrei, Magie oder Diebstahl ein klareres Verständnis davon entgegensetzen, was generative Modelle tatsächlich tun.
12 MinutenSie können eine nüchterne Position zwischen Untergangs- und Utopievorstellungen in der KI-Debatte vertreten und erkennen, welche Fragen tatsächlich wichtig sind.
9 MinutenSie können Aufgabe, Kontext, Beispiele, Persona, Format und Ton in funktionierende Prompts für alltägliche Büroaufgaben zusammenstellen.
26 MinutenSie erkennen wiederverwendbare Prompt-Muster und kombinieren sie zu klareren Anweisungen, Beispielen und Bewertungsschritten.
36 MinutenSie erhalten ein realistisches Verständnis davon, was KI heute gut kann, wo ihre Grenzen liegen und welche Chancen ernst genommen werden sollten.
8 MinutenSie können in einfachen Worten erklären, wie ein großes Sprachmodell das nächste Token vorhersagt und warum die Bezeichnung „Autocomplete auf Steroide“ zwar gerechtfertigt, aber unvollständig ist.
19 MinutenSie verstehen die Produkt- und Modellfamilienlandschaft gut genug, um ein erstes Tool auszuwählen und nicht ständig zwischen Browser-Tabs zu vergleichen.
10 MinutenSie können die vier Arten von Halluzinationen benennen und erkennen, um welche Art es sich handelt, wenn ein Chatbot falsch antwortet.
36 MinutenSie können erklären, warum ein auf die Vorhersage plausiblen Textes trainiertes Modell manchmal Fakten erfindet – unabhängig davon, wie ausgefeilt die Antwort klingt.
90 MinutenSie nutzen KI für Recherche, Struktur und Überarbeitung, während die endgültige Formulierung und das Urteilsvermögen unter menschlicher Kontrolle bleiben.
36 MinutenSie erkennen die wichtigsten Bereiche von ChatGPT und können sie gezielt erkunden, statt wahllos zu klicken.
39 MinutenSie finden sich in ChatGPT zurecht, ohne jedes neue Element der Seitenleiste bereits am ersten Tag beherrschen zu müssen.
Kürzlich geprüfte Videos und Begleitempfehlungen aus der AI-Expert-Bibliothek.

Mit ChatGPT eine Stelle finden: der definitive Leitfaden
Sie können mit einem Multi-Prompt-Workflow den Einstieg eines Anschreibens anpassen und Lebenslaufpunkte anhand einer realen Stellenbeschreibung überarbeiten.

Ich wünschte, jeder Bewerber würde dieses Video anschauen
Sie nutzen KI zur Vorbereitung von Kontaktaufnahme, Vorstellungsgesprächen und Nachfassnachrichten und halten Ihre eigene Geschichte dabei konkret und ehrlich.

So nutzen Sie Copilot, um Meeting-Protokolle in Microsoft Teams zu automatisieren!
Sie gestalten einen Meeting-Workflow, der Transkripte, Zusammenfassungen und Maßnahmen erfasst und die menschliche Prüfung beibehält.