Angewandtes Lernen
Praxisaufgaben
Nicht nur lesen: ein Artefakt bauen, Prüfungen bestehen und belastbare Nachweise für die Einsatzbereitschaft erzeugen.
Resilienter AI-API-Client
Baue einen produktionsreifen LLM-API-Client mit strukturierten Ausgaben, Validierung, Retries, Timeouts, Idempotenz, Tracing und Tests.
Evidenzbasierter Wissensassistent
Baue einen RAG-Assistenten, der nur auf verifizierter Evidenz antwortet, Quellen zitiert und die Retrieval-Qualität misst.
Governed Operations Agent
Baue einen kontrollierten AI-Agenten mit Tools, explizitem Zustand, Freigaben, Kosten- und Zeitlimits, Audit Log und Rollback-Pfad.
AI-Quality-Gate in CI
Baue ein Regression-Gate für eine LLM-Funktion mit deterministischen Checks, Model Graders, Safety-Fällen und Release-Schwellenwerten.
Production Observability für ein AI-System
Baue Monitoring und einen Incident-Workflow für eine AI-Workload mit Evidenz zu Latenz, Kosten, Qualität, Fallback und Rollback.
Verifizierter AI-Analytics-Workflow
Baue einen Analytics-Workflow für CSV und SQL mit verifizierten Berechnungen, Provenance, Privacy Controls und einem reproduzierbaren Executive Report.
Produktionsreife Oberfläche für einen KI-Assistenten
Baue ein produktionsreifes Frontend für einen KI-Assistenten mit Streaming, Zitaten, Freigaben, Abbruch, Fehlerzuständen und Barrierefreiheit.
KI-gestütztes Requirements-Audit
Prüfe Anforderungen mit Traceability, Erkennung von Mehrdeutigkeiten, Gap- und Risikoanalyse sowie verifizierten Akzeptanzkriterien.
Dossier zur Discovery einer KI-Funktion
Erstelle ein entscheidungsreifes Dossier für eine KI-Funktion mit Problem, Capability Fit, UX, Metriken, Risiken, Wirtschaftlichkeit und Experimentplan.
KI-Bedrohungsmodell und Kontrollplan
Erstelle ein Bedrohungsmodell für ein KI-System mit Missbrauchsfällen, Kontrollen, Sicherheitstests, Restrisiko und Incident-Playbook.
KI-Prozessautomatisierungskarte
Überführe einen As-is-Prozess in eine evidenzbasierte Automatisierungskarte mit Engpässen, Kontrollen, KI-Kandidaten, deterministischen Alternativen, Human Checkpoints und messbaren Akzeptanzkriterien.
KI-Use-Case-Scoring-Board
Erstelle ein KI-Use-Case-Portfolio mit evidenzbasiertem Scoring für Wert, Häufigkeit, Datenreife, Capability Fit, Automatisierungspotenzial, Fehlerauswirkung, Kontrollen und Experimentierbarkeit.
KI-Business-Case Evidence Pack
Erstelle einen entscheidungsreifen KI-Business-Case, in dem ROI, Risiko, Kontrollen und Qualitätsnachweise getrennt bleiben statt in einer attraktiven Zahl zu verschwinden.
Prompt-Injection Source-Sink Lab
Baue ein Red-Team-Labor für direkte und indirekte Prompt Injection, in dem Risiko über den tatsächlichen Pfad von angreiferkontrollierten Quellen zu sensiblen Senken und Side Effects gemessen wird, nicht nur über Instruction Bypass.
Audit der Agent-Capability-Lieferkette
Prüfe Agent Skills, Plugins, MCP-Server und Tool-Kataloge als ausführbare Capability-Lieferkette mit Provenance, Installationsgrenzen, Schemas, Autorisierung, Cache, Versionsdrift und Widerruf.
Containment-Drill für KI-Sicherheitsvorfälle
Übe einen KI-spezifischen Vorfall, bei dem Prompt Injection oder ein kompromittiertes Tool bereits einen Production Workflow beeinflusst hat. Baue beweiserhaltendes Containment, Reconciliation, begrenzten Rollback und Regression Closure auf.
Labor für KI-Metrikabgleich
Validiere KI-generiertes SQL und Metriken mit semantischem Vertrag, deterministischen Kontrollen, autoritativem Abgleich und Regression Cases, bevor eine Zahl in Dashboard oder Entscheidung gelangt.
Privacy- und Lineage-Gate für Analytics
Baue eine privacy-aware KI-Analytics-Pipeline mit Datenminimierung, Berechtigungsprüfungen, Lineage, Egress-Kontrollen, Retention und Negativtests, bevor sensibler Kontext ein Modell erreicht.
Entscheidungsreifes KI-Analyse-Dossier
Überführe KI-gestützte Analyse in ein Entscheidungsartefakt mit verifizierten Metriken, Evidence Ledger, Unsicherheits- und Sensitivitätsanalyse, Gegenanalyse, Reproduzierbarkeit sowie Refresh- und Change-Kontrollen.
Labor für AI-Serving-Release-Envelopes
Erstelle einen gesteuerten Release-Vertrag für eine AI-Runtime: exakter Model-/Konfigurations-Fingerprint, Readiness-Checks, begrenzte Retries, Canary, Rollback und Runtime-Verifikation statt der Annahme, grünes CI bedeute bereits Production Truth.
Labor für AI-Kapazität, Kosten und Chaos
Teste eine AI-Workload unter Last: Concurrency, Token-/Tool-Budgets, Queues, Backpressure, 429/5xx/Timeouts, Load Shedding, Degraded Mode und Kosten pro erfolgreich verifizierter Aufgabe.
AI Incident Recovery & Reconciliation Drill
Führe einen Production Drill für Provider-Ausfälle, Modellregressionen und unklare Side Effects durch: Containment, Evidence Preservation, Reconcile-first Recovery, Known-good Rollback, Failback und Incident-to-Regression.
AI Observability, SLO & Runtime Evidence Lab
Baue einen Observability-Vertrag für eine AI-Workload: End-to-End-Traces, risikogeschnittene SLI/SLOs, Qualitäts- und Kostensignale, datenschutzbewusste Telemetrie, autoritative Postconditions und Runtime-Evidence, die den echten Production-Zustand von einem schönen Dashboard unterscheidet.
Labor für Kalibrierung und Zuverlässigkeit von AI-Gradern
Baue einen Evaluation-Workflow, in dem ein modellbasierter Grader gegen menschlich geprüfte Evidenz kalibriert wird und eine Disagreement-Policy, Risk Slices sowie ein versionsgebundenes Release-Gate besitzt.
Labor für Test-Oracles bei Agent-Side-Effects
Teste einen Agent-Workflow anhand von Trajectory, Berechtigungen, Tool Calls, Side Effects und dem autoritativen System-of-Record-State – nicht nur anhand des finalen Textes.
AI-Incident → Regression-Forensik-Labor
Verwandle einen Production Incident in einen minimierten reproduzierbaren Testcase, einen Root-Cause-Slice, eine permanente Regression und ein verifiziertes Release-/Rollback-Gate.