CAS AI Model Engineering

Bei der Auswahl geeigneter Modellarchitekturen besteht oft die Problematik, dass die verschiedenen Modelle unzureichend bewertet oder verglichen werden. Zudem fehlt es nicht selten an Modelldaten und Experiment-Versionierung sowie an Strategien zur modellseitigen Optimierung vor und im Betrieb. Auch gibt es häufig Schwierigkeiten im Umgang mit Daten- und Modell-Drift, insbesondere bei sich ändernden Datenquellen, Nutzungskontexten oder Anforderungen.

Der CAS AI Model Engineering knüpft hier an. Er befähigt Sie dazu, KI-Modelle systematisch zu analysieren, zu optimieren und über ihren Lebenszyklus hinweg fachlich zu verantworten. Der Kurs zeichnet sich durch seinen konsequenten Fokus auf Modelle und Algorithmen aus, die in produktiven KI-Systemen eingesetzt werden. Im Zentrum stehen nicht die initiale Systemkonzeption oder der operative Betrieb, sondern die engineering-gerechte Entwicklung, Evaluation und Weiterentwicklung von KI-Modellen über ihren gesamten Lebenszyklus hinweg.

In diesem CAS werden Sie gezielt auf berufliche Rollen im Bereich der KI-/Modellentwicklung vorbereitet. Der Schwerpunkt liegt auf Fähigkeiten, die es Ihnen ermöglichen, die Qualität, Robustheit und Weiterentwicklung von KI-Modellen sicherzustellen. So sind Sie in der Lage, Modelle verantwortungsvoll zu entwickeln und zu betreiben.

Dieser CAS adressiert Engineering-Fragestellungen, die auftreten, wenn KI-Modelle nicht nur experimentell genutzt, sondern robust, nachvollziehbar und langfristig in Systemen eingesetzt werden sollen. Der Fokus liegt nicht auf theoretischer Modellvielfalt oder reinem Experimentieren, sondern auf der engineering-gerechten Entwicklung und Nutzung von KI-Modellen, die sich zuverlässig in produktiven Systemen betreiben und weiterentwickeln lassen.

Modellentwicklung, Training und Evaluation

• Auswahl geeigneter Modellarchitekturen
• Trainingsstrategien
• Validierungs- und Testverfahren

Modell- und Datenversionierung sowie Experiment-Tracking

• Reproduzierbarkeit
• Vergleichbarkeit
• Nachvollziehbarkeit von Modellständen

Qualitätssicherung, Robustheit und Performance-Optimierung von Modellen

• Overfitting
• Generalisierung
• Stabilität
• Edge-Cases

Analyse von Modellverhalten und Interpretierbarkeit

• Fehlermuster
• Feature- und Attention-Analysen
• Einordnung von Modellentscheidungen
• Grenzen der Erklärbarkeit

Umgang mit Daten- und Modell-Drift

• Erkennung
• Bewertung
• Ableitung geeigneter Massnahmen

Optimierung von Modellen vor und im Betrieb

• Fine-Tuning
• Adaptation
• Re-Training
• Continual Learning

Entscheidungskriterien für Anpassungsstrategien

• Prompting
• Fine-Tuning/PEFT
• Re-Training
• Abhängigkeit von Datenlage, Zielmetriken, Aufwand und Risiken

Engineering-gerechte Nutzung von LLMs und Foundation Models

• Bewertung
• Anpassung
• Einbettung in bestehende Systeme

Optimierung visueller und multimodaler Modelle

• Selbstüberwachtes Lernen
• Feature-Extraktion
• Fine-Tuning von Vision-Modellen (z.B. DINO)

Einordnung und Nutzung aktueller Modellklassen und Optimierungstechniken

• Transformer- und Vision-Transformer-Modelle
• Diffusionsmodelle
• Parameter-effiziente Fine-Tuning-Verfahren
• Sprach- und multimodale Modelle

Im Zentrum dieses Kurses stehen moderne, aktivierende Lehr- und Lernformen, die gezielt auf die Anforderungen der Modellentwicklung, -optimierung und Qualitätssicherung in realen KI-Systemen ausgerichtet sind.

• Projekt- und problemorientiertes Lernen anhand realitätsnaher Fragestellungen zur Entwicklung, Evaluation und Optimierung von KI-Modellen
• Arbeit an konkreten Modellen, Datensätzen und Experimenten inklusive Training, Fine-Tuning, Evaluation und Vergleich unterschiedlicher Modellvarianten
• Iteratives Vorgehen entlang des Modell-Lebenszyklus (Train – Evaluate – Optimize – Validate), mit gezielten Feedback- und Reflexionsphasen
• Hands-on-Sessions zu Modell- und Experiment-Engineering (z.B. Experiment-Tracking, Versionierung, Reproduzierbarkeit, Drift-Analyse)
• Analyse realer Modell-Probleme aus der Praxis wie Overfitting, mangelnde Generalisierung, Bias, Performance-Einbrüche oder instabiles Verhalten im Betrieb
• Einbindung visueller und multimodaler Modelle insbesondere zur Optimierung und Anpassung von Vision-Modellen (z.B. DINO und verwandte selbstüberwachte Ansätze),
• Arbeit an vorgegebenen realitätsnahen Szenarien oder Einbindung eigener beruflicher Fragestellungen der Teilnehmenden zur direkten Übertragbarkeit der vermittelten Methoden auf reale Projekte

Der Fokus liegt auf aktiver Kompetenzentwicklung und einem engineering-gerechten Umgang mit KI-Modellen – nicht auf rein theoretischer Wissensvermittlung oder isolierten Modell-Demos.

Zielgruppe

Dieser CAS richtet sich an technische Fachpersonen, die bereits über fundierte Software-, Daten- oder KI-Grundlagen verfügen und ihre Kompetenzen gezielt im Bereich Modellentwicklung, -optimierung und Qualitätssicherung von KI-Systemen vertiefen möchten. Insbesondere an:

• Informatik-Ingenieurinnen und -Ingenieure, Data Scientists sowie Machine-Learning-Engineers
• Software-Entwicklerinnen und -Entwickler mit vertieftem Bezug zu KI-Modellen und datengetriebenen Systemen
• Absolventinnen und Absolventen des BSc Informatik, des MSE Computer Science oder vergleichbarer Studiengänge
• Teilnehmende aus weiterführenden Weiterbildungen (z.B. MAS Software Engineering, CAS mit KI-Bezug)
• Technische Fachpersonen, die in ihrer beruflichen Praxis Modelle entwickeln, evaluieren, optimieren oder weiterentwickeln – einschliesslich visueller und multimodaler Modelle

Zulassung

Zugelassen sind Personen

• mit anerkanntem Tertiärabschluss (Universität, Fachhochschule, Höhere Fachschule oder vergleichbarer Abschluss)
• mit mehrjähriger qualifizierter Berufserfahrung im Software-, Daten- oder KI-Umfeld
• mit einer Tätigkeit in einem Arbeitsfeld, in dem sie das Gelernte umsetzen können (Prinzip Transferorientierung);
• mit Programmiererfahrung (z.B. in Python oder Java)
• mit einem fundierten Verständnis für die Grundlagen der KI

Bewerberinnen und Bewerber, die über vergleichbare Abschlüsse und entsprechende Berufserfahrung verfügen, können auf Basis einer individuellen Prüfung des Dossiers aufgenommen werden. 

Nach Abschluss dieses Kurses

• können Sie geeignete Modellarchitekturen auswählen, Trainings- und Validierungsstrategien festlegen sowie Modelle nachvollziehbar evaluieren und vergleichen;
• sind Sie befähigt, Modelle, Daten und Experimente reproduzierbar zu versionieren und Modellentscheidungen transparent zu dokumentieren;
• können Sie Modellqualität, Generalisierungsfähigkeit und Stabilität beurteilen und gezielt verbessern, auch unter Berücksichtigung von Edge-Cases und veränderten Einsatzbedingungen;
• sind Sie in der Lage, Drifts zu erkennen, deren Auswirkungen zu bewerten und geeignete Massnahmen zur Anpassung und Weiterentwicklung von Modellen abzuleiten;
• können Sie Modelle durch Fine-Tuning, Re-Training, Adaptation oder Continual-Learning-Ansätze gezielt weiterentwickeln;
• verfügen Sie über Kompetenzen zur Analyse, Anpassung und Optimierung visueller Modelle, insbesondere auf Basis selbstüberwachter Lernverfahren (z.B. DINO und
  verwandte Ansätze), sowie zur Bewertung ihrer Übertragbarkeit und Robustheit;
• können Sie als AI Model Engineer oder modellverantwortliche Fachperson agieren und die Verantwortung für Qualität, Weiterentwicklung und Einsatzfähigkeit von KI-Modellen im Systemkontext übernehmen.