Aktuelle KI-Themen praxisnah lernen und anwenden
Die KI-Werkstatt ist ein praxisorientiertes Modul, in dem Auszubildende aktuelle Themen der Künstlichen Intelligenz nicht nur theoretisch kennenlernen, sondern systematisch selbst ausprobieren, evaluieren und in medienpraktische Workflows integrieren. Ziel ist, dass Teilnehmende nach dem Modul sichere, nachvollziehbare und gestalterisch sinnvolle KI-Lösungen entwerfen können — von der ersten Idee bis zur prototypischen Umsetzung.
Welche Themen werden behandelt?
Das Modul deckt ein breites Spektrum aktueller und relevanter Felder ab. Inhaltlich liegt der Schwerpunkt auf jener Kombination aus Mechanik (wie Modelle arbeiten), Gestaltung (wie Ergebnisse kontrolliert und eingesetzt werden) und Verantwortung (Ethik, Datenschutz, Urheberrecht). Wichtige Bausteine sind:
- Prompt Engineering & Steuerung: Techniken zur präzisen Formulierung von Eingaben, System-Prompts, Temperature/Top-k/Top-p-Feinsteuerung, Few-Shot-Design.
- Multimodale Generierung: Text → Bild → Video → Audio-Pipelines, Style-Control, Konsistenz über Medien hinweg.
- Retrieval-Augmented Generation (RAG): Dokumentenintegration, vektorbasierte Suche, Kontextlängenmanagement und Quellenangabe.
- Modellbewertung & Robustheit: Metriken für Qualität, Kohärenz, Halluzinations-Detection und Testdesign für Real-World-Inputs.
- Bias, Fairness & Kennzeichnung: Methoden zur Bias-Analyse, Audits, Kennzeichnungspflichten für generierte Inhalte und Gegenmaßnahmen.
- Sicherheit & Datenschutz: Adversarial-Resilience, prompt sanitization, PII-Erkennung, DSGVO-konforme Workflows.
- Praktische Integration & Automation: Tool-Chaining, Orchestrierung von KI-Bausteinen, einfache MLOps-Konzepte, Deployment-Patterns für Medienpipelines.
- Rechtliche & ethische Rahmenbedingungen: Urheberrecht, Lizenzen, Rechteklärung bei Trainingsdaten und bei generierten Medien.
Wie sieht die praktische Arbeit aus?
Die KI-Werkstatt ist stark hands-on: in jeder Einheit folgt auf Inputs eine praktische Übung. Die Übungen sind so gestaltet, dass sie sofort auf reale Medienaufgaben übertragbar sind. Beispiele für konkrete Exercise-Blöcke:
- Prompt-Labs: iterative Prompt-Designs für unterschiedliche Aufgaben (Konzepttexte, Headlines, Bildstile), A/B-Vergleiche und Dokumentation der Prompts.
- Multimodal-Projekte: Erzeugen einer Bildserie aus einem Kurzkonzept + anschließende Sound-/Video-Kombination zur Erstellung eines kurzen Clips.
- RAG-Workshop: Aufbau einer kleinen Dokumenten-DB, Indexierung, Abfrage-Design und Integration in einen Chatbot-Prototyp mit Quellenverweisen.
- Bias-Audit: Entwicklung einfacher Tests, Sampling-Strategien und Maßnahmenkatalog zur Reduktion gefundener Verzerrungen.
- Automatisierte Workflows: Bau einer Mini-Pipeline, die Textdaten verarbeitet, Bilder generiert und automatisiert Ausspielformate rendert.
- Evaluationsrunde: Peer-Review mit annotierten Kriterien (Kohärenz, Relevanz, Stiltreue, ethische Unbedenklichkeit).
Die abschließende Leistungsbewertung besteht aus praxisnahen Projektaufgaben: ein kleiner Prototyp (z. B. RAG-gestützter Recherche-Agent oder ein multimodales Clip), eine technische Dokumentation (Architektur, Datenquellen, Einstellungen) sowie eine kurze Reflexion zu ethischen, rechtlichen und qualitativen Fragestellungen. Bewertet werden technische Robustheit, gestalterische Qualität, Dokumentation und verantwortlicher Umgang mit KI.
Beispielhafte Modulprojekte
- Automatisierte Social-Serie: Aufbau einer Pipeline, die aus Produktdaten automatisch textliche Kurzbeschreibungen und passende Bildvarianten in 3 Formaten erzeugt, inklusive Hinterlegung von Fallback-Regeln und QA-Checks.
- RAG-Support-Agent: Entwicklung eines Rechercheassistenten, der interne Projekt-Dokumente durchsucht, Antworten generiert und Quellen transparent ausweist.
- Multimodales Storyboard: Konzeption eines kurzen Clips (Storyboard + generierte Bilder + synthetischer Sound), Umsetzung und kritische Evaluation.
Der modulare Aufbau erlaubt, aktuelle Forschungstrends (z. B. LLM-Adapters, multimodale Transformer, Retrieval-Improvements) laufend in die Übungen einzubauen — so bleibt die KI-Werkstatt stets am Puls der Zeit. Wichtig ist dabei die anwendungsorientierte Haltung: Lernen durch Machen, Bewerten, Nachsteuern.
Die KI-Werkstatt macht aus Neugier professionelle Praxis: nicht nur verstehen, sondern gestalten, testen und verantworten.
