Bachelor Professional KI · Lehrplan
Lehrplan: Bachelor Professional in KI und Maschinellem Lernen (IHK)
Dieser Lehrplan bereitet auf die Fortbildungsprüfung auf DQR-Niveau 6 vor – dieselbe Stufe wie ein Hochschul-Bachelor. Wer besteht, darf den Abschluss „Bachelor Professional in Künstlicher Intelligenz und Maschinellem Lernen (IHK)“ führen. Grundlage ist die Besondere Rechtsvorschrift der IHK Region Stuttgart (Beschluss des Berufsbildungsausschusses vom 16.11.2022, geändert am 14.03.2024). Andere IHKs können eigene Fassungen haben – prüfen Sie die Fassung Ihrer IHK.
Der Kurs ist für Einsteigerinnen und Einsteiger geschrieben: Jeder Begriff wird zuerst mit einem Bild aus dem Alltag erklärt und danach fachlich eingeordnet. Er geht aber bis in die Tiefe, die DQR 6 verlangt: Sie sollen KI-Projekte nicht nur verstehen, sondern planen, wirtschaftlich und rechtlich bewerten, ein Team führen und Ihre Entscheidungen vor einem Prüfungsausschuss vertreten.
Hinweise zur PrüfungZulassung (§ 2)
Eine der folgenden Voraussetzungen genügt:
- Abschlussprüfung in einem mindestens dreijährigen gewerblich-technischen oder kaufmännischen Ausbildungsberuf, oder
- Abschluss in einem mindestens zweijährigen Ausbildungsberuf plus mindestens 1 Jahr Berufspraxis danach, oder
- mindestens 90 ECTS-Punkte aus einem fachverwandten Studium plus mindestens 6 Monate einschlägige Berufspraxis, oder
- die bestandene Prüfung Geprüfte/r Berufsspezialist/in für KI und Maschinelles Lernen (IHK), oder
- mindestens 4 Jahre einschlägige Berufspraxis.
„Einschlägig“ heißt bei Nr. 3 und Nr. 5: mit wesentlichem Bezug zu einem gewerblich-technischen oder kaufmännischen Ausbildungsberuf. Ausnahme: Zugelassen werden kann auch, wer die berufliche Handlungsfähigkeit auf andere Weise glaubhaft macht (§ 2 Abs. 3). Den Antrag am besten vor Lehrgangsbeginn stellen.
Aufbau, Dauer und Gewichtung (§ 3, § 11)
| Prüfungsleistung | Inhalt | Dauer / Umfang | Gewicht |
|---|---|---|---|
| Schriftlich, Teil 1, Bereich A | Grundlagen der KI (Handlungsbereich 1) | 60 min | 10 % |
| Schriftlich, Teil 1, Bereich B | Vertiefungen der KI-Inhalte auf Bachelor-Niveau (Handlungsbereich 1) | 120 min | 10 % |
| Schriftlich, Teil 2 | Situationsaufgabe: betriebliche Ausgangslage, daraus abgeleitete Aufgaben zu KI und den Handlungsbereichen 2 bis 6 | 240 min | 30 % |
| Praxisbezogene Transferarbeit | Komplexe betriebliche Problemstellung erfassen, analysieren, datenbasierte Lösung entwickeln, bewerten und vertreten | 20 Seiten (± 10 %), 30 Tage ab Themenfreigabe | 25 % |
| Präsentation + situationsbezogenes Fachgespräch | Transferarbeit vor dem Ausschuss vorstellen und verteidigen | je mindestens 20 min, zusammen höchstens 60 min | 25 % (je zur Hälfte) |
- Bestehen (§ 11 Abs. 1): Jeder Prüfungsteil mindestens „ausreichend“ = 50 Punkte.
- Notenschlüssel (Anlage 1): sehr fein – 100 Punkte = 1,0; 92–93 = 1,4; 85–86 = 2,0; 72–73 = 3,0; 56–57 = 4,0; 50 = 4,4 (gerade bestanden); 49 und weniger = mangelhaft.
- Transferbezogener Teil: Zugelassen wird, wer den schriftlichen Teil abgelegt hat (§ 3 Abs. 7). Zur Präsentation mit Fachgespräch wird nur zugelassen, wer alle anderen Prüfungsteile bestanden hat (§ 3 Abs. 14).
- Themenvorschlag: Thema selbst wählen, mit Kurzbeschreibung und Gliederung mit aussagekräftigen Unterpunkten zum Termin der zweiten schriftlichen Prüfung einreichen, auf der Formatvorlage der IHK (§ 3 Abs. 9). Der Ausschuss prüft, ob das Thema DQR 6 erreichen kann, und kann Auflagen erteilen – diese arbeiten Sie selbstständig ein, sie werden nicht nochmals abgestimmt (§ 3 Abs. 10).
- Besonders zu berücksichtigen in der Transferarbeit: § 5 Prozesse und Projekte, § 7 ökonomische Aspekte, § 8 Führung und Personal, § 9 Zukunftskompetenzen – und agile KI-Prozesse oder KI-Projekte mit ihrer (geplanten) Umsetzung (§ 3 Abs. 8).
- Wiederholung (§ 12): Jeder nicht bestandene Prüfungsteil darf zweimal wiederholt werden. Bestandene Teile werden angerechnet, wenn Sie sich innerhalb von 2 Jahren ab dem Tag der nicht bestandenen Prüfung zur Wiederholung anmelden; auf Antrag dürfen Sie auch bestandene Teile einmal wiederholen (dann zählt das letzte Ergebnis).
- Gesamtfrist (§ 3 Abs. 2): Das Prüfungsverfahren ist innerhalb von 3 Jahren ab der ersten Prüfungsleistung abzuschließen, sonst müssen alle Leistungen neu erbracht werden.
- Anrechnung (§ 10): Die schriftlichen Prüfungsleistungen aus dem Berufsspezialisten KI können vollständig angerechnet werden. Die Zusatzqualifikation KI für Auszubildende (oder gleichwertige Zertifikate) kann auf Teil 1, Bereich A angerechnet werden. Eine vollständige Freistellung ist nicht zulässig.
- Förderung: Aufstiegs-BAföG (bis zu 75 % Zuschuss auf Lehrgangs- und Prüfungsgebühren, Rest als zinsgünstiges Darlehen; Details beim Amt für Ausbildungsförderung).
Die sechs Handlungsbereiche und wo sie hier behandelt werden
Die Rechtsvorschrift nennt einen Lernumfang von in der Regel mindestens 1.200 Stunden. Teil 1 der schriftlichen Prüfung fragt Handlungsbereich 1 ab, Teil 2 und der transferbezogene Teil alle sechs.
| Handlungsbereich (§) | Inhalte laut Rechtsvorschrift | In diesem Kurs |
|---|---|---|
| 1 Implementierung und Anwendungsmöglichkeiten datenbasierter KI-Modelle (§ 4) | Grundbegriffe (Regression/Klassifikation, Daten als Wissen, Training, Einsatz, Arten des ML, Algorithmen, Beispiele); Umgang mit Daten (relationale Datenbanken, Vorverarbeitung, deskriptive Statistik, Visualisierung, Sicherheit, Erhebung/Datenschutz); Datenanalyse und ML (Mathematik, einfache Lernverfahren, Evaluierung, Clustering, neuronale Netze, Deep Learning, Training, Anwendungen); Chancen und Herausforderungen (Bias, Erklärbarkeit, Robustheit); Programmierung und KI-Systementwicklung (Python) | Module 1–7 |
| 2 Gestalten von (Veränderungs-)Prozessen und Leiten von Projekten (§ 5) | Prozessmanagement; Projektmanagementmethoden inkl. Skalierung, Risiken, Berichte, agile Rollen; Innovationsmanagement; digitales Transformationsmanagement | Module 8–10 |
| 3 Rechtliche Grundlagen (§ 6) | Rechtsformen und Vertragsarten; Datenschutz und Datensicherheit; Steuerarten und -berechnungen; Urheber- und Patentrecht; EU-Richtlinien zu KI; Arten von Arbeitsverhältnissen; Betriebsverfassungsrecht | Module 11, 12, 16 |
| 4 Abwägung und Beurteilung ökonomischer Aspekte (§ 7) | Kosten-Nutzen-Analysen (Verfahren, Einflussfaktoren, Durchführung, Interpretation); Controlling, Kosten- und Leistungsrechnung, Branchenspezifika, Investitionsrechnung, Nachhaltigkeit, Finanzierung | Module 13, 14 |
| 5 Mitarbeitendenführung und Personalmanagement (§ 8) | Personalstrategien, Talentmanagement, Organisationsanalyse; Führungsmethoden, Konfliktmanagement, Selbstmanagement; Arbeitsverhältnisse, Rechte und Pflichten, Beendigung, Veränderungsprozesse nach BetrVG | Module 15, 16 |
| 6 Zukunftskompetenzen (§ 9) | Selbstorganisation, Resilienz, Critical Thinking, Selbstreflexion; kollaboratives Arbeiten, interdisziplinäre Teams, Problemlösemethoden, Kommunikation; interkulturelle Zusammenarbeit, Zeitmanagement, Interdisziplinarität | Modul 17 |
Lernstrategie und Zeitplan (Vorschlag: 40 Wochen, ca. 12 Stunden pro Woche)
Die 1.200 Stunden der Rechtsvorschrift schließen Präsenz, Selbststudium, Projektarbeit und die Transferarbeit ein. Ein realistischer Weg neben dem Beruf:
| Woche | Inhalt | Ergebnis |
|---|---|---|
| 1–3 | Modul 1, Modul 2 | Begriffe sicher erklären, SQL-Abfragen und Kennzahlen ohne Vorlage |
| 4–6 | Modul 3, Modul 4 | Regression, Entscheidungsbaum, k-Means von Hand gerechnet; Konfusionsmatrix in 5 Minuten |
| 7–9 | Modul 5, Modul 6 | Neuronales Netz, Transformer und RAG erklärt; Bias- und Robustheitsrisiken eines Modells benannt |
| 10–12 | Modul 7 | Eigenes Notebook: Daten laden, bereinigen, Modell trainieren, bewerten |
| 13 | Probeprüfungen Teil 1 (Bereich A und B) | zwei Sätze unter Zeitdruck |
| 14–17 | Module 8, 9, 10 | BPMN-Modell eines Prozesses, Projektplan mit kritischem Pfad, Scrum-Rollen, Transformations-Zielbild |
| 18–21 | Module 11, 12 | Rechtsformen- und Vertragsentscheidung begründet; AI-Act-Einstufung eines Use Cases; DSFA-Skizze |
| 22–25 | Module 13, 14 | Nutzwertanalyse, Kapitalwert, Amortisation, Deckungsbeitrag sicher gerechnet |
| 26–29 | Module 15, 16 | Anforderungsprofil, Führungssituation, Kündigungsfristen, Mitbestimmung bei KI-Einführung |
| 30–31 | Modul 17 | Methodenkoffer für Selbstorganisation, Problemlösen und Kommunikation |
| 32–34 | Probeprüfungen Teil 2 (240 min) | drei Situationsaufgaben unter echten Bedingungen; Themenvorschlag mit Gliederung fertig |
| 35–39 | Transferarbeit (30 Tage) | 20 Seiten nach Formatvorlage, Auflagen eingearbeitet |
| 40 | Simulator: Präsentation + Fachgespräch | 20-Minuten-Vortrag sitzt, 30 typische Fragen geübt |
Tipps: Rechnen Sie jede Formel mindestens dreimal selbst. Schreiben Sie in Teil 2 immer mit Bezug zur Situation („Für die Muster GmbH bedeutet das …“) – allgemeine Lehrbuchantworten bringen in Situationsaufgaben nur Teilpunkte. Legen Sie Ihr Transferthema früh fest: Es muss bis zum Termin der zweiten schriftlichen Prüfung mit Gliederung eingereicht sein.
Modul 1: Grundbegriffe von KI und Maschinellem Lernen (§ 4 Nr. 1, kostenlos)Lernziele: Sie erklären, was KI, maschinelles Lernen und Deep Learning sind und wie sie zusammenhängen; Sie unterscheiden Regression und Klassifikation, die Arten des maschinellen Lernens und typische Algorithmen; Sie beschreiben, wie ein Modell trainiert und eingesetzt wird.
Lektionen:
- KI im Alltag und im Betrieb – wo sie heute steckt
- Was ist KI? Schwache und starke KI, regelbasiert vs. lernend
- Die vier Ebenen: KI ⊃ maschinelles Lernen ⊃ Deep Learning ⊃ generative KI
- Daten als Repräsentation von Wissen: Merkmale, Zielgröße, Datensatz
- Wie eine Maschine lernt: Modell, Parameter, Verlust, Training
- Training, Validierung, Test – und warum man nie mit Testdaten trainiert
- Regression: Zahlen vorhersagen
- Klassifikation: Kategorien vorhersagen
- Überwachtes Lernen
- Unüberwachtes Lernen
- Bestärkendes Lernen
- Selbstüberwachtes Lernen und Foundation Models
- Algorithmen im Überblick: lineare Modelle, Bäume, Nachbarn, Netze
- Einsatz von KI-Modellen: Inferenz, Batch und Echtzeit, Lebenszyklus
- Typische Beispielanwendungen nach Branchen
- Die richtige Lernart wählen – ein Entscheidungsweg
- Geschichte in Meilensteinen (Dartmouth 1956 bis Transformer 2017)
Kerninhalte:
- KI = Systeme, die Aufgaben lösen, für die Menschen Intelligenz brauchen. Maschinelles Lernen = Regeln werden aus Beispielen gelernt statt programmiert. Deep Learning = ML mit vielschichtigen neuronalen Netzen. Generative KI = erzeugt neue Inhalte.
- Die EU-KI-Verordnung definiert ein KI-System als maschinengestütztes System, das für explizite oder implizite Ziele aus Eingaben ableitet, wie es Ausgaben wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugt (Art. 3 Nr. 1).
- Regression: Zielgröße ist eine Zahl (Preis, Absatz). Klassifikation: Zielgröße ist eine Kategorie (Spam/kein Spam). Binär vs. Mehrklassen vs. Multi-Label.
- Überwacht (mit Labels), unüberwacht (ohne Labels: Clustering, Dimensionsreduktion, Anomalien), bestärkend (Agent, Umgebung, Belohnung), selbstüberwacht (Labels aus den Daten selbst, Grundlage großer Sprachmodelle).
- Lebenszyklus: Problem verstehen → Daten → Modell → Bewertung → Einsatz → Überwachung (CRISP-DM).
Prüfungsfragen:
- Ordnen Sie KI, ML, Deep Learning und generative KI und erklären Sie den Unterschied zwischen regelbasiert und lernend. (Lösung: Teilmengenbeziehung; regelbasiert = Mensch schreibt Regeln, lernend = Regeln aus Daten.)
- Ein Versicherer will die Schadenhöhe neuer Fälle schätzen und zusätzlich Betrugsverdacht markieren. Welche Aufgabentypen liegen vor? (Regression bzw. binäre Klassifikation; eventuell Anomalieerkennung, wenn keine Labels vorliegen.)
- Warum darf ein Modell die Testdaten während des Trainings nicht sehen? (Sonst wird die Leistung auf neuen Daten überschätzt – das Modell hätte „die Prüfungsfragen vorher gesehen“.)
Lernziele: Sie entwerfen einfache relationale Datenmodelle und fragen sie mit SQL ab; Sie bereiten Daten für ML vor; Sie beschreiben Daten mit Kennzahlen und Diagrammen; Sie benennen Sicherheits- und Datenschutzanforderungen bei der Datenerhebung.
Lektionen:
- Datenarten und Skalenniveaus (nominal, ordinal, intervall, verhältnis)
- Relationale Datenbanken: Tabelle, Schlüssel, Beziehung
- Normalisierung: 1., 2. und 3. Normalform
- SQL I: SELECT, WHERE, ORDER BY
- SQL II: JOIN, GROUP BY, HAVING, Aggregatfunktionen
- Datenqualität: Vollständigkeit, Korrektheit, Konsistenz, Aktualität, Eindeutigkeit
- Vorverarbeitung: fehlende Werte, Ausreißer, Duplikate
- Merkmale umwandeln: Skalierung, Kodierung, Feature Engineering
- Data Leakage – die häufigste Prüfungsfalle
- Deskriptive Statistik: Lagemaße (Mittelwert, Median, Modus)
- Streuungsmaße: Spannweite, Varianz, Standardabweichung, Quartile
- Zusammenhänge: Kovarianz, Korrelation, Korrelation ≠ Kausalität
- Visualisierung: das richtige Diagramm für die Frage
- Dashboards und gute Diagrammgestaltung
- Datensicherheit: Schutzziele, Zugriffskonzepte, Verschlüsselung, Backups
- Datenerhebung und Datenschutz: Rechtsgrundlage, Zweckbindung, Datenminimierung, Anonymisierung vs. Pseudonymisierung
Kerninhalte:
- Primärschlüssel identifiziert eine Zeile eindeutig, Fremdschlüssel verweist auf eine andere Tabelle; 1:1, 1:n, n:m (n:m braucht eine Zwischentabelle).
- SQL-Reihenfolge der Auswertung: FROM → WHERE → GROUP BY → HAVING → SELECT → ORDER BY. WHERE filtert Zeilen, HAVING filtert Gruppen.
- Mittelwert ist ausreißerempfindlich, Median robust. Standardabweichung = Wurzel der Varianz. Interquartilsabstand IQR = Q3 − Q1; Ausreißerregel nach Tukey: unter Q1 − 1,5·IQR oder über Q3 + 1,5·IQR.
- Korrelationskoeffizient r zwischen −1 und +1; misst nur lineare Zusammenhänge.
- Skalierung: Min-Max auf [0; 1], Standardisierung auf Mittelwert 0 und Standardabweichung 1. Kategorien: One-Hot-Kodierung.
- Data Leakage: Informationen aus der Zukunft oder aus den Testdaten gelangen ins Training (z. B. Skalierung auf dem ganzen Datensatz vor dem Split).
- Schutzziele der Informationssicherheit: Vertraulichkeit, Integrität, Verfügbarkeit (CIA). Pseudonymisierte Daten bleiben personenbezogen, anonymisierte nicht mehr.
Prüfungsfragen:
- Schreiben Sie eine SQL-Abfrage, die je Kundengruppe den durchschnittlichen Umsatz ausgibt, aber nur für Gruppen mit mehr als 100 Kunden. (GROUP BY kundengruppe, AVG(umsatz), HAVING COUNT() > 100.)*
- Lieferzeiten 2, 3, 3, 4, 4, 5, 5, 6, 22 Tage: Berechnen Sie Mittelwert und Median und begründen Sie, welcher Wert die typische Lieferzeit besser beschreibt. (Mittelwert 6, Median 4; Median, weil 22 ein Ausreißer ist.)
- Warum ist ein pseudonymisierter Datensatz noch personenbezogen? (Mit Zusatzwissen – dem Schlüssel – ist die Person wieder bestimmbar.)
Lernziele: Sie nutzen die Mathematik hinter ML (Vektoren, Ableitung, Wahrscheinlichkeit) auf Einsteiger-Niveau; Sie rechnen und erklären lineare und logistische Regression, k-nächste Nachbarn, Entscheidungsbaum und Naive Bayes.
Lektionen:
- Vektoren und Matrizen: Daten als Zahlenreihen
- Abstand und Ähnlichkeit: euklidisch, Manhattan, Kosinus
- Funktionen und Steigung: was eine Ableitung anschaulich bedeutet
- Gradientenabstieg: den tiefsten Punkt im Nebel finden
- Wahrscheinlichkeit, bedingte Wahrscheinlichkeit, Satz von Bayes
- Normalverteilung und Standardabweichung in der Praxis
- Lineare Regression: Gerade durch die Punktwolke
- Methode der kleinsten Quadrate und Bestimmtheitsmaß R²
- Mehrere Merkmale: multiple Regression und Koeffizienten deuten
- Logistische Regression: Wahrscheinlichkeit für eine Klasse
- k-nächste Nachbarn
- Entscheidungsbaum: Fragen stellen, Gini und Entropie
- Ensembles: Random Forest und Boosting
- Naive Bayes für Texte
- Support Vector Machine in einem Bild
- Welches Verfahren wann? Eine Entscheidungshilfe
Kerninhalte:
- Lineare Regression: ŷ = b₀ + b₁·x; Steigung b₁ = Kovarianz(x, y) / Varianz(x); R² = Anteil der erklärten Streuung (0 bis 1).
- Gradientenabstieg: Parameter in Richtung des steilsten Abstiegs des Fehlers verschieben; Lernrate zu groß → Springen, zu klein → sehr langsam.
- Satz von Bayes: P(A|B) = P(B|A)·P(A) / P(B). Klassisches Beispiel: seltene Krankheit, guter Test – trotzdem viele falsch-positive Ergebnisse.
- Logistische Regression: Sigmoid σ(z) = 1 / (1 + e^(−z)) wandelt eine Zahl in eine Wahrscheinlichkeit; trotz des Namens ein Klassifikationsverfahren.
- kNN: Klasse der k nächsten Nachbarn per Mehrheit; Merkmale vorher skalieren; k ungerade bei zwei Klassen.
- Entscheidungsbaum: Gini-Unreinheit = 1 − Σ pᵢ²; Baum wählt die Frage mit der größten Reinheitsverbesserung; zu tiefe Bäume überanpassen.
- Random Forest = viele Bäume auf Zufallsstichproben (Bagging), Mehrheit entscheidet; Boosting = Bäume nacheinander, jeder korrigiert die Fehler der vorherigen.
Prüfungsfragen:
- Ein Modell sagt den Wohnungspreis mit ŷ = 50.000 + 2.400 · Fläche voraus. Deuten Sie b₁ und berechnen Sie den Preis für 80 m². (Pro m² 2.400 € mehr; 242.000 €.)
- 1 % der Kunden kündigen. Ein Frühwarnmodell erkennt 90 % der Kündiger, schlägt aber auch bei 5 % der Treuen an. Wie wahrscheinlich ist eine Kündigung, wenn das Modell anschlägt? (0,009 / (0,009 + 0,0495) ≈ 15,4 %.)
- Warum muss man vor kNN skalieren? (Abstände würden sonst von Merkmalen mit großen Zahlenbereichen dominiert.)
Lernziele: Sie bewerten Klassifikations- und Regressionsmodelle mit den passenden Kennzahlen, erkennen Über- und Unteranpassung, wählen Validierungsverfahren und wenden Clustering- und Dimensionsreduktionsverfahren an.
Lektionen:
- Konfusionsmatrix: richtig/falsch positiv/negativ
- Accuracy, Precision, Recall, F1 – und wann welche zählt
- Schwelle verschieben: ROC-Kurve und AUC
- Unausgewogene Klassen: warum 99 % Accuracy nichts heißen kann
- Regressionsmetriken: MAE, MSE, RMSE, R²
- Overfitting und Underfitting, Bias-Varianz-Abwägung
- Lernkurven lesen
- Kreuzvalidierung (k-fold) und Zeitreihen-Validierung
- Hyperparameter-Tuning: Grid Search, Random Search
- Regularisierung: L1 (Lasso), L2 (Ridge), Early Stopping
- Baseline und Business-Kennzahlen: Ist das Modell besser als nichts?
- k-Means: Schritt für Schritt
- Anzahl der Cluster wählen: Elbow-Methode, Silhouette
- Hierarchisches Clustering und Dendrogramm
- DBSCAN und Anomalieerkennung
- Dimensionsreduktion: PCA anschaulich
Kerninhalte:
- Precision = TP / (TP + FP) („Wie oft stimmt ein Alarm?“), Recall = TP / (TP + FN) („Wie viele Fälle finden wir?“), F1 = 2·P·R / (P + R), Accuracy = (TP + TN) / alle.
- Recall wichtig, wenn ein übersehener Fall teuer ist (Krebs, Betrug); Precision wichtig, wenn Fehlalarme teuer sind (Spam-Ordner, Rückrufe).
- AUC = 0,5 Zufall, 1,0 perfekt. RMSE bestraft große Fehler stärker als MAE.
- Overfitting: Training sehr gut, Test schlecht. Underfitting: beides schlecht. Mittel: mehr Daten, einfacheres Modell, Regularisierung, Kreuzvalidierung.
- k-Means: k Zentren wählen → Punkte dem nächsten Zentrum zuordnen → Zentren als Mittelwert neu berechnen → wiederholen bis stabil. Ergebnis hängt vom Start und von k ab, braucht skalierte Merkmale, findet nur „runde“ Cluster.
- DBSCAN findet Cluster beliebiger Form über Dichte (Parameter ε und minPts) und markiert Ausreißer als Rauschen.
- PCA: neue Achsen in Richtung der größten Streuung; erklärte Varianz pro Komponente.
Prüfungsfragen:
- Konfusionsmatrix: TP = 40, FP = 10, FN = 20, TN = 930. Berechnen Sie Accuracy, Precision, Recall, F1. (97 %, 80 %, 66,7 %, 72,7 %.)
- Ein Modell hat 98 % Trainings- und 71 % Testgenauigkeit. Diagnose und drei Maßnahmen? (Overfitting; Regularisierung, mehr Daten, einfacheres Modell, Kreuzvalidierung, Early Stopping.)
- Ein Händler will Kundensegmente bilden, weiß aber nicht wie viele. Wie gehen Sie vor? (Skalieren, k-Means für mehrere k, Elbow und Silhouette vergleichen, Segmente fachlich deuten.)
Lernziele: Sie erklären Aufbau und Training neuronaler Netze, die wichtigsten Architekturen (CNN, RNN, Transformer) und Anwendungen von Deep Learning bis zur generativen KI; Sie wählen zwischen Prompting, RAG und Fine-Tuning.
Lektionen:
- Das künstliche Neuron: Gewichte, Summe, Aktivierung
- Aktivierungsfunktionen: Sigmoid, tanh, ReLU, Softmax
- Vom Neuron zum Netz: Schichten, Tiefe, Parameterzahl
- Verlustfunktionen: MSE und Kreuzentropie
- Backpropagation anschaulich
- Optimierer, Lernrate, Batch, Epoche
- Typische Trainingsprobleme: Overfitting, Dropout, verschwindende Gradienten
- Faltungsnetze (CNN) für Bilder
- Rekurrente Netze (RNN, LSTM) für Folgen
- Transformer und Aufmerksamkeit (Attention)
- Transfer Learning und vortrainierte Modelle
- Große Sprachmodelle: Token, Kontextfenster, Wahrscheinlichkeiten
- Prompt Engineering
- RAG: Wissen aus eigenen Dokumenten
- Prompting, RAG oder Fine-Tuning? Entscheidung und Kosten
- Anwendungen von Deep Learning: Bild, Sprache, Text, Zeitreihen, Agenten
- Ressourcen: GPUs, Energiebedarf, Betrieb in der Cloud oder vor Ort
Kerninhalte:
- Neuron: z = Σ wᵢ·xᵢ + b, Ausgabe a = f(z). ReLU(z) = max(0, z). Softmax macht aus Werten Wahrscheinlichkeiten, die sich zu 1 summieren.
- Parameterzahl einer voll verbundenen Schicht: Eingänge · Ausgänge + Ausgänge (Bias).
- Training: Vorwärtsdurchlauf → Verlust → Backpropagation (Kettenregel) → Gewichte mit Optimierer (SGD, Adam) anpassen. Epoche = alle Trainingsdaten einmal; Batch = Teilmenge pro Schritt.
- CNN: Filter erkennen lokale Muster (Kanten → Formen → Objekte); Pooling verkleinert. RNN/LSTM: Gedächtnis für Folgen. Transformer: Self-Attention gewichtet alle Positionen gleichzeitig, parallelisierbar, Grundlage der LLMs.
- LLM erzeugt Text Token für Token nach Wahrscheinlichkeiten; Halluzinationen sind möglich. Temperatur steuert die Zufälligkeit.
- RAG: Dokumente in Abschnitte teilen → Embeddings → Vektordatenbank → passende Abschnitte zur Frage abrufen → mit der Frage ans Modell → Antwort mit Quellen.
- Faustregel: Wissen fehlt → RAG; Verhalten/Stil/Format fehlt → Fine-Tuning; erst immer mit gutem Prompting beginnen.
Prüfungsfragen:
- Ein Netz hat 20 Eingänge, eine verdeckte Schicht mit 10 Neuronen und 3 Ausgänge. Wie viele Parameter hat es? (20·10 + 10 + 10·3 + 3 = 243.)
- Ein Kundenservice soll Fragen zu 4.000 internen Richtlinien beantworten, die sich monatlich ändern. Prompting, RAG oder Fine-Tuning? Begründen Sie. (RAG: aktuelles, belegbares Wissen ohne Neutraining.)
- Nennen Sie zwei Maßnahmen gegen Overfitting in neuronalen Netzen. (Dropout, Early Stopping, Datenaugmentation, Regularisierung, mehr Daten.)
Lernziele: Sie erkennen algorithmischen Bias und messen Fairness, machen Modellentscheidungen erklärbar und beurteilen die Robustheit neuronaler Netze; Sie wägen Chancen und Risiken eines KI-Einsatzes ab.
Lektionen:
- Chancen: Produktivität, Qualität, neue Produkte, Fachkräftemangel
- Risiken im Überblick: Fehler, Bias, Intransparenz, Sicherheit, Abhängigkeit
- Wie Bias entsteht: Daten, Messung, Auswahl, Rückkopplung
- Beispiele: Bewerberauswahl, Kreditvergabe, Gesichtserkennung
- Fairness messen: Demographic Parity, Equal Opportunity, Equalized Odds
- Bias reduzieren: vor, während und nach dem Training
- Erklärbarkeit: warum, für wen, wie viel
- Global erklären: Feature Importance, Partial Dependence
- Lokal erklären: LIME und SHAP
- Von Natur aus erklärbare Modelle vs. Blackbox
- Robustheit: Verteilungsverschiebung und Drift
- Adversarial Examples: kleine Störung, große Wirkung
- Data Poisoning, Prompt Injection und Modelldiebstahl
- Robustheit erhöhen: Tests, Augmentation, Adversarial Training, Monitoring
- Mensch im Regelkreis: Human-in-the-loop, Human-on-the-loop
- Ethische Leitlinien und vertrauenswürdige KI
Kerninhalte:
- Bias-Quellen: historischer Bias (Vergangenheit war unfair), Stichprobenbias (Gruppen fehlen), Messbias (falsche Stellvertretermerkmale wie Postleitzahl), Rückkopplungsschleifen.
- Demographic Parity: gleiche Auswahlquote je Gruppe. Equal Opportunity: gleicher Recall je Gruppe. Equalized Odds: gleiche Recall- und Falsch-Positiv-Rate. Nicht alle Fairnessmaße lassen sich gleichzeitig erfüllen.
- Geschütztes Merkmal entfernen reicht nicht: Stellvertreter (Proxys) tragen die Information weiter.
- SHAP verteilt eine Vorhersage fair auf die Merkmale (Shapley-Werte aus der Spieltheorie); LIME erklärt eine Einzelentscheidung mit einem einfachen Ersatzmodell in der Umgebung.
- Datendrift: Eingabedaten ändern sich; Konzeptdrift: Zusammenhang zwischen Eingabe und Ziel ändert sich.
- Ethik-Leitlinien der EU-Expertengruppe (2019): menschliche Aufsicht, technische Robustheit und Sicherheit, Datenschutz, Transparenz, Vielfalt und Fairness, gesellschaftliches Wohl, Rechenschaftspflicht.
Prüfungsfragen:
- Ein Bewerbungsfilter wählt 30 % der Männer und 15 % der Frauen aus. Welches Fairnessmaß ist verletzt, und welche Ursachen prüfen Sie? (Demographic Parity; historische Daten, Proxys, Stichprobe.)
- Erklären Sie einem Sachbearbeiter, was ein SHAP-Wert von +0,12 für „Zahlungsverzug im letzten Jahr“ bedeutet. (Dieses Merkmal hat die Ausfallwahrscheinlichkeit dieses Kunden um 12 Prozentpunkte gegenüber dem Durchschnitt erhöht.)
- Was ist ein Adversarial Example, und wie schützt man sich? (Gezielt veränderte Eingabe, die das Modell täuscht; Adversarial Training, Eingabeprüfung, Ensembles, Monitoring.)
Lernziele: Sie lesen und schreiben einfache Python-Programme, analysieren Daten mit pandas, trainieren und bewerten Modelle mit scikit-learn und beschreiben, wie aus einem Modell ein betriebsfähiges KI-System wird (Architektur, Schnittstellen, MLOps).
Lektionen:
- Warum Python? Werkzeuge: Jupyter, VS Code, Pakete
- Variablen, Datentypen, Listen und Dictionaries
- Bedingungen und Schleifen
- Funktionen und Module
- NumPy: Rechnen mit Arrays
- pandas: Daten laden, filtern, gruppieren
- Daten bereinigen mit pandas
- Visualisieren mit Matplotlib
- scikit-learn: fit, predict, score
- Pipelines: Vorverarbeitung und Modell ohne Leakage
- Modelle vergleichen und speichern
- Vom Notebook zum System: Architektur eines KI-Systems
- Schnittstellen: REST-API und Modell als Dienst
- Versionierung: Code (Git), Daten, Modelle
- MLOps: Testen, Ausrollen, Überwachen, Neutrainieren
- LLM-Anwendungen bauen: API, Prompt-Vorlagen, RAG, Agenten
- Qualität und Sicherheit: Tests, Code-Review, Secrets, Zugriffsrechte
Kerninhalte:
- Python-Grundlagen:
int,float,str,bool,list,dict; Einrückung bildet Blöcke; Funktionen mitdef. - pandas:
pd.read_csv,df.head(),df.describe(),df[df["alter"] > 30],df.groupby("region")["umsatz"].mean(),df.isna().sum(),df.fillna(),df.drop_duplicates(). - scikit-learn-Muster:
train_test_split→Pipeline([("scaler", StandardScaler()), ("model", LogisticRegression())])→fit(X_train, y_train)→predict(X_test)→classification_report. - KI-System = Daten-Pipeline + Modell + Schnittstelle + Monitoring + Mensch. Deployment-Arten: Batch, Echtzeit-API, Edge.
- MLOps-Bausteine: Versionierung, automatisierte Tests, CI/CD, Modellregister, Monitoring (Leistung, Drift, Kosten), Neutraining.
- LLM-Anwendungen: Systemprompt, Vorlagen, strukturierte Ausgaben, Werkzeugaufrufe; Agenten planen mehrere Schritte und rufen Werkzeuge auf – Risiken: Kosten, Fehlerketten, Prompt Injection.
Prüfungsfragen:
- Was gibt
df.groupby("filiale")["umsatz"].sum()aus? (Die Umsatzsumme je Filiale.) - Warum gehört der
StandardScalerin eine Pipeline statt vor den Train-Test-Split? (Sonst fließen Mittelwert und Streuung der Testdaten ins Training – Data Leakage.) - Ein Modell läuft im Notebook gut. Nennen Sie fünf Schritte bis zum stabilen Betrieb. (API bereitstellen, Tests, Versionierung/Modellregister, Monitoring auf Drift und Leistung, Prozess für Neutraining, Zugriffsschutz.)
Lernziele: Sie legen KI-relevante Prozessziele fest, identifizieren, modellieren und analysieren Prozesse, steuern Prozessressourcen und veranlassen Prozessüberwachung und -bewertung.
Lektionen:
- Was ist ein Prozess? Input, Tätigkeit, Output, Kunde
- Prozessarten: Kern-, Unterstützungs- und Managementprozesse; Prozesslandkarte
- Prozessziele festlegen: SMART und Kennzahlen (KPI)
- Prozesse erheben: Interview, Beobachtung, Dokumente, Process Mining
- SIPOC und Wertstromanalyse
- Modellieren mit BPMN 2.0: Ereignisse, Aktivitäten, Gateways, Pools
- Ereignisgesteuerte Prozesskette (EPK) im Vergleich
- Prozesse analysieren: Engpässe, Verschwendung, Medienbrüche
- Wo passt KI in den Prozess? Automatisieren, unterstützen, vorhersagen
- Prozessressourcen disponieren: Personal, Maschinen, Rechenleistung, Budget
- Prozesskennzahlen: Durchlaufzeit, Bearbeitungszeit, Fehlerquote, Kosten pro Fall
- Prozessüberwachung: Monitoring, Dashboards, Audits
- Kontinuierliche Verbesserung: PDCA, KVP, Six Sigma (DMAIC)
- Process Mining: der Prozess, wie er wirklich läuft
- Rollen: Prozesseigner, Prozessverantwortliche, Beteiligte
Kerninhalte:
- Prozess = wiederkehrende Folge von Tätigkeiten mit definiertem Anfang, Ende und Ergebnis für einen Kunden (intern oder extern).
- SMART: spezifisch, messbar, attraktiv/akzeptiert, realistisch, terminiert.
- BPMN-Grundelemente: Startereignis (Kreis), Aktivität (abgerundetes Rechteck), exklusives Gateway (Raute mit X), paralleles Gateway (Raute mit +), Endereignis (dicker Kreis), Pools und Lanes für Beteiligte, Sequenzfluss vs. Nachrichtenfluss.
- Durchlaufzeit = Bearbeitungszeit + Liege-/Wartezeit + Transportzeit. Prozesseffizienz = Bearbeitungszeit / Durchlaufzeit.
- DMAIC: Define, Measure, Analyze, Improve, Control. PDCA: Plan, Do, Check, Act.
- Process Mining rekonstruiert den tatsächlichen Ablauf aus Ereignisprotokollen (Fall-ID, Aktivität, Zeitstempel).
Prüfungsfragen:
- Formulieren Sie ein SMART-Ziel für die KI-gestützte Rechnungsprüfung. (Z. B.: Bis 30.06. sinkt die durchschnittliche Durchlaufzeit einer Eingangsrechnung von 6 auf 2 Arbeitstage bei höchstens 1 % Fehlbuchungen.)
- Ein Prozess hat 40 min Bearbeitungszeit und 3 Tage Durchlaufzeit (8-Stunden-Tage). Wie hoch ist die Prozesseffizienz, und was folgt daraus? (40 / 1.440 min ≈ 2,8 %; Wartezeiten sind das Problem, nicht die Bearbeitung.)
- Wofür steht ein exklusives Gateway in BPMN? (Genau ein ausgehender Pfad wird abhängig von einer Bedingung gewählt.)
Lernziele: Sie initiieren, strukturieren, planen, steuern und schließen (KI-)Projekte ab, begrenzen Risiken, berichten adressatengerecht, wenden agile Methoden mit ihren Rollen an und skalieren KI-Projekte vom Prototyp in die Breite.
Lektionen:
- Was ist ein Projekt? Merkmale nach DIN 69901, magisches Dreieck
- Projektauftrag und Projektziele
- Stakeholderanalyse und Umfeldanalyse
- Projektstrukturplan (PSP) und Arbeitspakete
- Ablaufplanung: Netzplan, kritischer Pfad, Puffer
- Termine und Ressourcen: Gantt-Diagramm, Meilensteine, Auslastung
- Kosten und Budget, Earned-Value-Analyse
- Risikomanagement: erkennen, bewerten, begrenzen
- Projektteam zusammenstellen, Rollen und Verantwortungen (RACI)
- Projektsteuerung: Soll-Ist-Vergleich, Ampel, Change Requests
- Berichte: Statusbericht, Zwischenbericht, Abschlussbericht, Lessons Learned
- Agiles Manifest und agile Prinzipien
- Scrum: Rollen, Ereignisse, Artefakte
- Kanban: Fluss sichtbar machen, WIP-Limits
- Hybride Vorgehen und Vorgehensmodelle für KI-Projekte (CRISP-DM)
- Skalierung: vom Proof of Concept zum Rollout; SAFe, LeSS, Nexus
- KI-Projekte mit KI unterstützen: Auswertung, Berichte, Präsentation
Kerninhalte:
- Projekt: einmalig, zeitlich begrenzt, Ziel vorgegeben, begrenzte Ressourcen, eigene Organisation, komplex/neuartig. Magisches Dreieck: Leistung/Qualität, Zeit, Kosten.
- Netzplan (Vorgangsknoten): frühester Anfang/Ende vorwärts, spätester Anfang/Ende rückwärts; Gesamtpuffer = SAZ − FAZ; Vorgänge mit Puffer 0 bilden den kritischen Pfad.
- Risiko: Erwartungswert = Eintrittswahrscheinlichkeit · Schadenshöhe; Strategien: vermeiden, vermindern, übertragen, akzeptieren.
- Earned Value: PV (geplanter Wert), EV (Fertigstellungswert), AC (Istkosten); Kostenabweichung CV = EV − AC, Terminabweichung SV = EV − PV, CPI = EV / AC, SPI = EV / PV.
- Scrum (Scrum Guide 2020): Rollen Product Owner, Scrum Master, Developers; Ereignisse Sprint, Sprint Planning, Daily Scrum, Sprint Review, Sprint Retrospective; Artefakte Product Backlog, Sprint Backlog, Increment (mit Product Goal, Sprint Goal, Definition of Done).
- Skalierung von KI-Projekten: PoC → Pilot → Rollout; Voraussetzungen: Datenplattform, MLOps, Betriebsmodell, Schulung, Change Management, Kosten pro Anfrage im Blick.
Prüfungsfragen:
- Vorgänge A (3 Tage), B (5, nach A), C (2, nach A), D (4, nach B und C). Bestimmen Sie den kritischen Pfad und den Puffer von C. (A–B–D, 12 Tage; Puffer C = 3 Tage.)
- EV = 80.000 €, AC = 100.000 €, PV = 90.000 €. Deuten Sie CPI und SPI. (CPI 0,8: teurer als geplant; SPI ≈ 0,89: hinter dem Zeitplan.)
- Wer verantwortet in Scrum die Reihenfolge des Product Backlogs? (Der Product Owner.)
Lernziele: Sie steuern Innovationsprozesse, wenden Methoden des Innovationsmanagements an, entwickeln ein digitales Zielbild mit Geschäftsmodell und Strategie und gestalten den Wandel hin zu einer digitalen Denkweise.
Lektionen:
- Innovation: Arten (Produkt, Prozess, Geschäftsmodell) und Grade (inkrementell, radikal, disruptiv)
- Phasen des Innovationsprozesses und Stage-Gate
- Ideen finden: Kreativitätstechniken, Ideenmanagement, Open Innovation
- Ideen bewerten und auswählen: Scoring, Portfolio
- Design Thinking
- Lean Startup: Build-Measure-Learn und MVP
- Innovationsmanagement als System: Rollen, Budget, Kennzahlen (ISO 56001/56002)
- Digitale Transformation: was sich wirklich ändert
- Reifegrad bestimmen und ein digitales Zielbild entwickeln
- Digitale Geschäftsmodelle: Plattform, Abo, Freemium, datengetrieben; Business Model Canvas
- Digitale und datenbasierte Strategie: Daten als Vermögenswert, KI-Roadmap
- Use Cases finden und priorisieren
- Change Management: Lewin, Kotter, Widerstände
- Digitale Denkweise (Mindset) und Unternehmenskultur
- Implementierung: Roadmap, Governance, Messung
Kerninhalte:
- Innovation = neue Idee plus erfolgreiche Umsetzung am Markt oder im Betrieb (Invention allein reicht nicht).
- Disruptive Innovation (Christensen): startet einfacher und billiger in einer Nische und verdrängt später etablierte Anbieter.
- Design Thinking: Verstehen, Beobachten, Sichtweise definieren, Ideen finden, Prototyp, Testen – iterativ, nutzerzentriert, interdisziplinär.
- Business Model Canvas: 9 Felder (Kundensegmente, Wertangebot, Kanäle, Kundenbeziehungen, Einnahmequellen, Schlüsselressourcen, Schlüsselaktivitäten, Schlüsselpartner, Kostenstruktur).
- Lewin: Auftauen – Verändern – Einfrieren. Kotter: 8 Schritte von Dringlichkeit erzeugen bis Veränderung in der Kultur verankern.
- Use-Case-Priorisierung: Nutzen × Machbarkeit (Daten vorhanden? Technik reif? Risiko? rechtlich zulässig?).
Prüfungsfragen:
- Unterscheiden Sie inkrementelle und disruptive Innovation an einem KI-Beispiel. (Inkrementell: bessere Prognose im bestehenden Prozess; disruptiv: neues KI-Produkt, das den Markt umkrempelt.)
- Skizzieren Sie mit drei Feldern des Business Model Canvas ein Geschäftsmodell für eine KI-gestützte Wartungsprognose. (Z. B. Wertangebot: weniger Stillstand; Einnahmen: Abo pro Maschine; Schlüsselressource: Sensordaten und Modell.)
- Nennen Sie drei Ursachen für Widerstand gegen eine KI-Einführung und je eine Gegenmaßnahme. (Angst um Arbeitsplatz → transparente Kommunikation/Qualifizierung; fehlendes Wissen → Schulung; schlechte Erfahrung → Pilot mit schnellem Nutzen.)
Lernziele: Sie unterscheiden Unternehmensrechtsformen und Vertragsarten und ihre Anwendungsbereiche und kennen die für die Angebotsauswahl von Dienstleistungen relevanten Steuerarten und -berechnungen.
Lektionen:
- Rechtsordnung im Überblick: Privatrecht, öffentliches Recht, BGB, HGB
- Kaufmann und Handelsregister
- Einzelunternehmen und GbR (seit 2024: eingetragene GbR)
- Personengesellschaften: OHG, KG, GmbH & Co. KG
- Kapitalgesellschaften: GmbH, UG (haftungsbeschränkt), AG
- Rechtsform wählen: Haftung, Kapital, Gründung, Steuern, Image
- Wie ein Vertrag zustande kommt: Angebot und Annahme, AGB
- Vertragsarten: Kauf-, Werk-, Dienst-, Miet-, Lizenzvertrag
- Verträge für KI und Software: SaaS, Entwicklung, Wartung, Daten
- Leistungsstörungen: Mängel, Verzug, Haftung
- Steuerarten im Überblick: Umsatz-, Einkommen-, Körperschaft-, Gewerbesteuer
- Umsatzsteuer: Regelsatz, ermäßigter Satz, Vorsteuer, Kleinunternehmer
- Steuern bei Dienstleistungen aus dem Ausland: Reverse Charge
- Angebote vergleichen: netto, brutto, Vorsteuerabzug, Gesamtkosten
- Ertragsteuern je nach Rechtsform berechnen
Kerninhalte:
- Haftung: Einzelunternehmer, GbR-Gesellschafter, OHG-Gesellschafter und Komplementäre haften unbeschränkt persönlich; Kommanditisten bis zur Einlage; GmbH, UG, AG nur mit dem Gesellschaftsvermögen.
- Mindestkapital: GmbH 25.000 € (Anmeldung ab 12.500 € eingezahlt), UG ab 1 € (25 % des Gewinns in die Rücklage, bis 25.000 €), AG 50.000 €.
- Kaufvertrag (§ 433 BGB): Sache übergeben und Eigentum verschaffen. Werkvertrag (§ 631): Erfolg geschuldet, Abnahme. Dienstvertrag (§ 611): Tätigkeit geschuldet, kein Erfolg. Mietvertrag (§ 535): Gebrauchsüberlassung auf Zeit – Leitbild für SaaS. Verträge über digitale Produkte mit Verbrauchern: §§ 327 ff. BGB.
- Gewährleistung beim Kauf: 2 Jahre; Nacherfüllung vor Rücktritt/Minderung.
- Umsatzsteuer: 19 % Regelsatz, 7 % ermäßigt; Unternehmen ziehen gezahlte Vorsteuer ab → für sie zählt der Nettopreis. Kleinunternehmer (§ 19 UStG, seit 2025): Vorjahresumsatz höchstens 25.000 € und im laufenden Jahr höchstens 100.000 € – keine Umsatzsteuer, aber auch kein Vorsteuerabzug.
- Reverse Charge (§ 13b UStG): Bei Dienstleistungen ausländischer Unternehmen an deutsche Unternehmen schuldet der Empfänger die Umsatzsteuer (meist sofort wieder als Vorsteuer abziehbar).
- Körperschaftsteuer 15 % + Solidaritätszuschlag 5,5 % darauf; Gewerbesteuer = Gewerbeertrag × 3,5 % Messzahl × Hebesatz der Gemeinde (Freibetrag 24.500 € nur für Einzelunternehmen und Personengesellschaften). Gesetzlich beschlossen: Senkung der Körperschaftsteuer ab 2028 schrittweise bis auf 10 % im Jahr 2032.
Prüfungsfragen:
- Zwei Gründer wollen eine KI-Beratung ohne persönliche Haftung, haben aber nur 5.000 € Kapital. Welche Rechtsform empfehlen Sie? (UG (haftungsbeschränkt); Rücklagenpflicht beachten.)
- Ein Anbieter soll ein Prognosemodell entwickeln, das eine vereinbarte Genauigkeit erreicht. Welche Vertragsart liegt nahe, und was folgt daraus? (Werkvertrag: Erfolg geschuldet, Abnahme, Mängelrechte.)
- Angebot A: 10.000 € netto + 19 % USt; Angebot B: 11.200 € von einem Kleinunternehmer ohne USt. Welches ist für ein vorsteuerabzugsberechtigtes Unternehmen günstiger? (A: effektiv 10.000 €; B: 11.200 €.)
Lernziele: Sie reflektieren Datenschutz- und Datensicherheitsfragen eines KI-Projekts (auch abhängig von der Rechtsform), kennen die Grundlagen des Urheber- und Patentrechts und ordnen KI-Anwendungen nach der EU-KI-Verordnung und weiteren EU-Regeln ein.
Lektionen:
- DSGVO-Grundbegriffe: personenbezogene Daten, Verarbeitung, Verantwortlicher
- Grundsätze (Art. 5) und Rechtsgrundlagen (Art. 6)
- Besondere Kategorien (Art. 9) und automatisierte Entscheidungen (Art. 22)
- Rechte der Betroffenen und Informationspflichten
- Auftragsverarbeitung, Drittlandtransfer, Cloud-KI-Dienste
- Datenschutz-Folgenabschätzung und Privacy by Design
- Datenschutzbeauftragter, Haftung und Bußgelder – Rolle der Rechtsform
- Datensicherheit: technische und organisatorische Maßnahmen, ISO 27001, BSI-Grundschutz
- Urheberrecht: Werk, Schutzdauer, Nutzungsrechte, Software
- KI und Urheberrecht: Trainingsdaten (Text- und Data-Mining), KI-Ergebnisse
- Patentrecht: Voraussetzungen, Software und KI-Erfindungen
- Marken, Geschäftsgeheimnisse, Lizenzen (Open Source)
- EU-KI-Verordnung: Risikoklassen und Pflichten
- EU-KI-Verordnung: Fristen, KI-Kompetenz, Sanktionen
- Weitere EU-Regeln: Data Act, NIS-2, Cyber Resilience Act, Produkthaftung
Kerninhalte:
- Art. 5 DSGVO: Rechtmäßigkeit, Treu und Glauben, Transparenz; Zweckbindung; Datenminimierung; Richtigkeit; Speicherbegrenzung; Integrität und Vertraulichkeit; Rechenschaftspflicht.
- Art. 6: Einwilligung, Vertrag, rechtliche Verpflichtung, lebenswichtige Interessen, öffentliche Aufgabe, berechtigtes Interesse. Art. 22: Recht, keiner ausschließlich automatisierten Entscheidung mit rechtlicher oder ähnlich erheblicher Wirkung unterworfen zu werden (Ausnahmen mit Schutzmaßnahmen).
- DSFA (Art. 35) bei voraussichtlich hohem Risiko; Meldung einer Datenpanne an die Aufsicht binnen 72 Stunden (Art. 33); Bußgelder bis 20 Mio. € oder 4 % des weltweiten Jahresumsatzes.
- Rechtsform und Datenschutz: Verantwortlicher ist das Unternehmen (die juristische Person bzw. der Einzelunternehmer); Bußgelder treffen bei GmbH/AG die Gesellschaft, im Konzern kann der Konzernumsatz maßgeblich sein; Datenschutzbeauftragter ab in der Regel 20 Personen, die ständig mit der automatisierten Verarbeitung personenbezogener Daten beschäftigt sind (§ 38 BDSG).
- Urheberrecht: Schutz für persönliche geistige Schöpfungen, entsteht automatisch, 70 Jahre nach dem Tod des Urhebers; Computerprogramme geschützt (§ 69a UrhG). Rein KI-erzeugte Ergebnisse ohne menschliche Schöpfung sind nach herrschender Auffassung nicht urheberrechtlich geschützt. Text- und Data-Mining erlaubt (§ 44b UrhG), wenn der Rechteinhaber keinen maschinenlesbaren Nutzungsvorbehalt erklärt hat.
- Patent: neu, erfinderische Tätigkeit, gewerblich anwendbar; Schutz bis 20 Jahre; Computerprogramme „als solche“ nicht patentierbar (§ 1 Abs. 3 PatG), wohl aber computerimplementierte Erfindungen mit technischem Beitrag.
- EU-KI-Verordnung (VO (EU) 2024/1689): verbotene Praktiken (z. B. Social Scoring, Emotionserkennung am Arbeitsplatz), Hochrisiko-KI (z. B. Personalauswahl, Kreditwürdigkeit, kritische Infrastruktur) mit Pflichten zu Risikomanagement, Datenqualität, Dokumentation, menschlicher Aufsicht; Transparenzpflichten (Chatbots, Deepfakes); KI-Modelle mit allgemeinem Verwendungszweck. Fristen: in Kraft 1.8.2024; Verbote und KI-Kompetenz (Art. 4) seit 2.2.2025; Pflichten für KI-Modelle mit allgemeinem Verwendungszweck seit 2.8.2025; Transparenzpflichten und Großteil der übrigen Regeln ab 2.8.2026. Durch den „Digital Omnibus“ (VO (EU) 2026/1744, in Kraft seit 27.7.2026) gelten die Hochrisiko-Pflichten nach Anhang III erst ab 2.12.2027 und für Produkte nach Anhang I ab 2.8.2028; Art. 4 (KI-Kompetenz) wurde umformuliert (Maßnahmen zur Förderung), neues Verbot für KI-erzeugte nicht einvernehmliche intime Bilder. Den aktuellen Stand vor der Prüfung prüfen. Sanktionen bis 35 Mio. € oder 7 % des weltweiten Jahresumsatzes.
- Data Act (seit 12.9.2025 anwendbar): Zugang zu Daten vernetzter Produkte. NIS-2: Cybersicherheitspflichten für wichtige und besonders wichtige Einrichtungen. Cyber Resilience Act: Sicherheitsanforderungen an Produkte mit digitalen Elementen (Meldepflichten ab 11.9.2026, volle Anwendung ab 11.12.2027). Neue Produkthaftungsrichtlinie (EU) 2024/2853: Software gilt als Produkt, Umsetzung bis 9.12.2026.
Prüfungsfragen:
- Ein Unternehmen will Bewerbungen mit KI vorsortieren. Ordnen Sie den Fall nach EU-KI-Verordnung und DSGVO ein. (Hochrisiko-KI (Anhang III, Beschäftigung); Pflichten des Betreibers: menschliche Aufsicht, Information, Protokolle; DSGVO: Rechtsgrundlage, Art. 22 beachten, DSFA, Betriebsrat einbeziehen.)
- Sind Bilder, die ein Bildgenerator ohne nennenswerte menschliche Gestaltung erzeugt, urheberrechtlich geschützt? (Nach herrschender Auffassung nein – es fehlt die persönliche geistige Schöpfung eines Menschen.)
- Nennen Sie vier technische und organisatorische Maßnahmen für eine KI-Plattform mit Kundendaten. (Verschlüsselung, Rollen- und Rechtekonzept, Protokollierung, Backups, Pseudonymisierung, Schulung, Löschkonzept.)
Lernziele: Sie kennen Einsatzmöglichkeiten und Grenzen von Kosten-Nutzen-Analysen, wählen geeignete Verfahren, bestimmen Einflussfaktoren und Entscheidungsparameter, führen Kosten-Nutzen- und Qualitätsanalysen durch und interpretieren die Ergebnisse auch bei sich ändernden Rahmenbedingungen.
Lektionen:
- Entscheiden unter Unsicherheit: Ziele, Alternativen, Kriterien
- Kosten-Nutzen-Analyse: Idee, Einsatz, Grenzen
- Kosten erfassen: einmalig, laufend, versteckt (TCO)
- Nutzen erfassen: monetär, quantifizierbar, qualitativ
- Verfahren im Vergleich: Kostenvergleich, Kosten-Wirksamkeit, Nutzwertanalyse
- Nutzwertanalyse Schritt für Schritt
- Kriterien gewichten: Paarvergleich
- Return on Investment und Amortisation als Entscheidungshilfe
- Make or Buy: selbst entwickeln, kaufen, mieten
- Qualitätsanalysen: Qualitätskennzahlen, FMEA
- Sensitivitätsanalyse: Was, wenn sich Annahmen ändern?
- Szenarien: Best Case, Base Case, Worst Case
- Entscheidungsbaum und Erwartungswert
- Ergebnisse aufbereiten: Empfehlung, Annahmen, Risiken
- Typische Fehler: Scheingenauigkeit, vergessene Kosten, Wunschdenken
Kerninhalte:
- Kosten-Nutzen-Analyse: alle Kosten und Nutzen in Geld bewerten → Nettonutzen bzw. Nutzen-Kosten-Verhältnis. Grenze: nicht alles lässt sich sinnvoll in Euro ausdrücken.
- Nutzwertanalyse: Kriterien festlegen → gewichten (Summe 100 %) → Alternativen je Kriterium bewerten (z. B. 1–10) → Teilnutzen = Gewicht × Punkte → Summe = Nutzwert; Sensitivität der Gewichte prüfen.
- TCO (Total Cost of Ownership) eines KI-Systems: Lizenzen/API-Kosten, Rechenleistung, Datenaufbereitung, Entwicklung, Integration, Schulung, Betrieb, Monitoring, Neutraining, Compliance, Ausstieg.
- ROI = (Gewinn bzw. Einsparung − Investition) / Investition. Statische Amortisationszeit = Investition / jährlicher Rückfluss.
- FMEA: Risikoprioritätszahl RPZ = Auftreten × Bedeutung × Entdeckung (je 1–10).
- Sensitivitätsanalyse: einzelne Annahmen variieren und beobachten, ab wann sich die Entscheidung umkehrt (kritischer Wert).
- Erwartungswert = Σ Wahrscheinlichkeit × Ergebnis.
Prüfungsfragen:
- Kriterien Kosten (40 %), Genauigkeit (35 %), Datenschutz (25 %); Anbieter A: 6/9/5 Punkte, B: 8/6/9 Punkte. Welcher Anbieter gewinnt? (A: 2,4 + 3,15 + 1,25 = 6,8; B: 3,2 + 2,1 + 2,25 = 7,55 → B.)
- Ein Chatbot kostet 60.000 € einmalig und spart netto 24.000 € pro Jahr. Amortisationszeit? (2,5 Jahre.)
- Wozu dient eine Sensitivitätsanalyse? (Prüfen, wie stark das Ergebnis von unsicheren Annahmen abhängt und ab welchem Wert sich die Empfehlung ändert.)
Lernziele: Sie wenden Grundzüge von Controlling und Kosten- und Leistungsrechnung an, bringen Branchenspezifika in Abwägungen ein, beurteilen Investitionen statisch und dynamisch unter Nachhaltigkeitsaspekten und kennen Finanzierungsarten.
Lektionen:
- Controlling: Aufgaben, operativ und strategisch, Kennzahlensysteme
- Kosten- und Leistungsrechnung: Begriffe Auszahlung, Ausgabe, Aufwand, Kosten
- Kostenartenrechnung: Einzel- und Gemeinkosten, fix und variabel
- Kostenstellenrechnung und Betriebsabrechnungsbogen
- Kostenträgerrechnung und Kalkulation
- Deckungsbeitragsrechnung und Break-even
- Budgetierung und Abweichungsanalyse
- Branchenspezifika: Industrie, Handel, Dienstleistung, Gesundheit, Finanzen, öffentlicher Sektor
- Statische Investitionsrechnung: Kosten-, Gewinn-, Rentabilitätsvergleich, Amortisation
- Dynamische Investitionsrechnung: Abzinsen, Kapitalwert
- Interner Zinsfuß und Annuität
- Nachhaltigkeit: ESG, CSRD, Energiebedarf von KI
- Finanzierung: Eigen- und Fremdkapital, Innen- und Außenfinanzierung
- Kredit, Leasing, Factoring, Fördermittel, Wagniskapital
- Kennzahlen: Eigenkapitalquote, Liquidität, Rentabilität
Kerninhalte:
- Kosten = bewerteter Verbrauch von Gütern und Leistungen für den Betriebszweck. Fixkosten fallen unabhängig von der Menge an, variable Kosten mit der Menge.
- Deckungsbeitrag je Stück = Preis − variable Stückkosten. Break-even-Menge = Fixkosten / Deckungsbeitrag je Stück.
- Kapitalwert C₀ = −I₀ + Σ Rückflussₜ / (1 + i)ᵗ; C₀ > 0 → Investition lohnt sich beim Kalkulationszins i. Interner Zinsfuß = Zins, bei dem C₀ = 0.
- Rentabilität = Gewinn / durchschnittlich gebundenes Kapital; durchschnittlich gebundenes Kapital (ohne Restwert) = Investition / 2.
- Nachhaltigkeit: ökologisch, ökonomisch, sozial; Energie- und Wasserbedarf von Training und Betrieb großer Modelle; CSRD-Berichtspflichten wurden 2025 für spätere Wellen verschoben (Omnibus) – Stand prüfen.
- Innenfinanzierung: aus Gewinnen, Abschreibungen, Rückstellungen. Außenfinanzierung: Einlagen, Beteiligungen, Kredite. Leasing schont die Liquidität, ist aber auf Dauer oft teurer.
- Eigenkapitalquote = Eigenkapital / Gesamtkapital. Liquidität 2. Grades = (flüssige Mittel + kurzfristige Forderungen) / kurzfristige Verbindlichkeiten.
Prüfungsfragen:
- Ein KI-Dienst kostet 12.000 € fix pro Jahr und 0,02 € pro Anfrage; Kunden zahlen 0,10 € pro Anfrage. Ab wie vielen Anfragen pro Jahr ist er kostendeckend? (12.000 / 0,08 = 150.000 Anfragen.)
- Investition 100.000 €, Rückflüsse 40.000 € pro Jahr über 3 Jahre, Kalkulationszins 8 %. Kapitalwert? (Rentenbarwertfaktor 2,5771 → 103.084 − 100.000 ≈ +3.084 € → lohnt sich.)
- Nennen Sie zwei Vor- und zwei Nachteile von Leasing für GPU-Server. (Vorteile: Liquidität geschont, Technik-Tausch einfacher; Nachteile: höhere Gesamtkosten, Vertragsbindung.)
Lernziele: Sie wählen und beurteilen Personalstrategien unter Berücksichtigung von Talentmanagement und dynamischer Problemlösekompetenz, analysieren Organisationen, wenden Führungsmethoden an, fördern Leistungsbereitschaft und Zusammenarbeit, lösen Konflikte und organisieren sich als Führungskraft selbst.
Lektionen:
- Personalmanagement im Überblick: Planung, Beschaffung, Einsatz, Entwicklung, Freisetzung
- Personalbedarf planen: quantitativ und qualitativ
- Personalstrategien: make or buy, Talentmanagement, Employer Branding
- Kompetenzen für KI-Teams: Rollen und Skill-Profile
- Personalauswahl: Anforderungsprofil, Verfahren, strukturiertes Interview, AGG
- Personaleinsatz planen und Personal entwickeln
- Organisationsanalyse: Aufbau- und Ablauforganisation, Organigramm
- Organisationsmodelle: Linien-, Matrix-, Projektorganisation, 7-S-Modell
- Führungsstile und Führungstheorien
- Situatives Führen
- Motivation: Maslow, Herzberg, intrinsisch und extrinsisch
- Agile Führung: Servant Leadership, Selbstorganisation, OKR
- Feedback und Mitarbeitergespräche
- Konflikte erkennen: Arten und Eskalationsstufen nach Glasl
- Konflikte lösen: Harvard-Konzept, Moderation, Mediation
- Selbstmanagement für Führungskräfte: Prioritäten, Zeit, Energie
Kerninhalte:
- Nettopersonalbedarf = Bruttopersonalbedarf − (aktueller Bestand − Abgänge + feststehende Zugänge).
- Allgemeines Gleichbehandlungsgesetz (AGG): keine Benachteiligung wegen ethnischer Herkunft, Geschlecht, Religion/Weltanschauung, Behinderung, Alter, sexueller Identität – gilt auch für KI-gestützte Auswahl.
- 7-S-Modell (McKinsey): harte Faktoren Strategie, Struktur, Systeme; weiche Faktoren Selbstverständnis/gemeinsame Werte, Spezialkenntnisse, Stil, Stammpersonal.
- Führungsstile nach Lewin: autoritär, kooperativ/demokratisch, laissez-faire. Situatives Führen (Hersey/Blanchard): Stil nach Reifegrad der Mitarbeitenden – unterweisen, verkaufen/trainieren, beteiligen/unterstützen, delegieren.
- Herzberg: Hygienefaktoren (Gehalt, Arbeitsbedingungen) verhindern Unzufriedenheit, Motivatoren (Anerkennung, Verantwortung, Inhalt) erzeugen Zufriedenheit.
- Glasl: 9 Eskalationsstufen in drei Ebenen (win-win, win-lose, lose-lose). Harvard-Konzept: Menschen und Probleme trennen, Interessen statt Positionen, Optionen zum beiderseitigen Vorteil, neutrale Beurteilungskriterien.
- Selbstmanagement: Eisenhower-Matrix (wichtig/dringlich), ALPEN-Methode, Pareto-Prinzip, Zeitblöcke.
Prüfungsfragen:
- Ein Team braucht in 12 Monaten 18 Data Scientists, heute sind es 12, zwei gehen in Rente, eine Einstellung ist zugesagt. Nettopersonalbedarf? (18 − (12 − 2 + 1) = 7.)
- Eine erfahrene Entwicklerin ist hochkompetent, aber nach einer Umstrukturierung unmotiviert. Welcher Führungsstil nach dem situativen Modell passt? (Beteiligen/unterstützen: wenig Anweisung, viel Beziehung.)
- Zwei Teams streiten über die Priorität ihrer KI-Projekte. Wie gehen Sie nach dem Harvard-Konzept vor? (Interessen hinter den Positionen klären, gemeinsame Kriterien (Nutzen, Risiko) vereinbaren, Optionen sammeln, z. B. gestaffelte Umsetzung.)
Lernziele: Sie unterscheiden Arten von Arbeitsverhältnissen und wählen passende Formen, kennen Rechte und Pflichten aus dem Arbeitsverhältnis und die Beendigungsmöglichkeiten und gestalten Veränderungsprozesse unter Beachtung der Beteiligungsrechte des Betriebsrats.
Lektionen:
- Arbeitsrecht im Überblick: Individual- und Kollektivarbeitsrecht
- Arbeitsvertrag, Nachweisgesetz, Probezeit
- Arten von Arbeitsverhältnissen: unbefristet, befristet, Teilzeit, Minijob
- Leiharbeit, freie Mitarbeit und Scheinselbstständigkeit
- Pflichten der Arbeitnehmer und der Arbeitgeber
- Arbeitszeit, Urlaub, Entgeltfortzahlung, Mindestlohn
- Mobiles Arbeiten und Arbeitsschutz
- Beendigung: Kündigung, Aufhebungsvertrag, Befristungsende
- Kündigungsfristen und Kündigungsschutzgesetz
- Zeugnis und Pflichten nach dem Ende
- Betriebsverfassungsgesetz: Betriebsrat, Wahl, Aufgaben
- Beteiligungsrechte: Information, Beratung, Mitbestimmung
- KI im Betrieb und Betriebsrat: §§ 80, 87, 90, 95 BetrVG
- Betriebsvereinbarung zur KI-Einführung
- Veränderungsprozesse rechtssicher gestalten: Betriebsänderung, Interessenausgleich
Kerninhalte:
- Befristung ohne Sachgrund höchstens 2 Jahre mit bis zu dreimaliger Verlängerung (§ 14 Abs. 2 TzBfG), nur bei Neueinstellung; Schriftform für die Befristung.
- Minijob: Verdienstgrenze dynamisch an den Mindestlohn gekoppelt (2026: 603 € im Monat bei 13,90 € Mindestlohn).
- Arbeitszeit (ArbZG): werktäglich 8 Stunden, bis 10 Stunden, wenn im Schnitt 8 Stunden erreicht werden; Ruhezeit 11 Stunden. Urlaub: gesetzlich mindestens 24 Werktage bei 6-Tage-Woche (= 20 Tage bei 5-Tage-Woche).
- Kündigungsfrist (§ 622 BGB): grundsätzlich 4 Wochen zum 15. oder zum Monatsende; für Arbeitgeber verlängert nach 2/5/8/10/12/15/20 Jahren Betriebszugehörigkeit auf 1/2/3/4/5/6/7 Monate zum Monatsende; in der Probezeit (max. 6 Monate) 2 Wochen. Kündigung nur schriftlich (§ 623 BGB, keine E-Mail).
- Kündigungsschutzgesetz: gilt bei mehr als 10 Beschäftigten und mehr als 6 Monaten Betriebszugehörigkeit; Kündigung muss personen-, verhaltens- oder betriebsbedingt sozial gerechtfertigt sein; Klagefrist 3 Wochen.
- Betriebsrat ab 5 ständigen wahlberechtigten Arbeitnehmern (davon 3 wählbar). Vor jeder Kündigung anhören (§ 102), sonst unwirksam.
- KI und Betriebsrat: § 87 Abs. 1 Nr. 6 – Mitbestimmung bei technischen Einrichtungen, die geeignet sind, Verhalten oder Leistung zu überwachen (praktisch fast jede KI-Software); § 90 – Unterrichtung und Beratung bei Planung auch beim Einsatz von KI; § 80 Abs. 3 – Sachverständiger bei KI gilt als erforderlich; § 95 Abs. 2a – Auswahlrichtlinien auch bei KI-Einsatz zustimmungspflichtig; §§ 111 ff. – Betriebsänderung in Unternehmen mit mehr als 20 Arbeitnehmern: Interessenausgleich und Sozialplan.
Prüfungsfragen:
- Eine Mitarbeiterin ist seit 9 Jahren im Betrieb. Mit welcher Frist kann der Arbeitgeber kündigen? (3 Monate zum Monatsende.)
- Ein Unternehmen will ein KI-Tool einführen, das Bearbeitungszeiten je Mitarbeitendem auswertet. Welche Rechte hat der Betriebsrat? (Mitbestimmung nach § 87 Abs. 1 Nr. 6, Unterrichtung nach § 90, ggf. Sachverständiger nach § 80 Abs. 3; Einführung erst nach Einigung bzw. Einigungsstelle.)
- Unterscheiden Sie Werkvertrag mit einem Freelancer und Arbeitsvertrag. Woran erkennt man Scheinselbstständigkeit? (Weisungsgebundenheit, Eingliederung in die Organisation, feste Arbeitszeiten, nur ein Auftraggeber.)
Lernziele: Sie organisieren sich selbst, fördern Resilienz, denken kritisch und reflektieren; Sie stellen kollaboratives Arbeiten sicher, fördern interdisziplinäre Teams, beherrschen Problemlöse- und Kommunikationsmethoden; Sie gestalten interkulturelle Zusammenarbeit, Zeitmanagement und Interdisziplinarität.
Lektionen:
- Warum Zukunftskompetenzen? Arbeit im Wandel durch KI
- Selbstorganisation: Ziele, Planung, Werkzeuge
- Resilienz: Faktoren und wie Führungskräfte sie fördern
- Critical Thinking: Behauptungen prüfen, Denkfehler erkennen
- Kritisches Denken mit KI: Quellen, Halluzinationen, Automation Bias
- Selbstreflexion: Johari-Fenster, Feedback, Lerntagebuch
- Kollaboratives Arbeiten: Werkzeuge, Regeln, Remote und hybrid
- Teams entwickeln: Phasen nach Tuckman, Teamrollen nach Belbin
- Interdisziplinäre Teams: Vorteile, Reibungen, Förderung
- Problemlösemethoden: 5-Why, Ishikawa, Design Thinking, A3
- Kommunikationsmodelle: Schulz von Thun, Watzlawick, Sender-Empfänger
- Kommunikationsmethoden: aktives Zuhören, Ich-Botschaften, gewaltfreie Kommunikation
- Präsentieren und überzeugen – auch vor dem Prüfungsausschuss
- Interkulturelle Zusammenarbeit: Kulturdimensionen nach Hofstede
- Zeitmanagement: Methoden im Vergleich
- Agiles Arbeiten im Alltag: Retrospektive, Timeboxing, Visualisierung
Kerninhalte:
- Resilienzfaktoren: Optimismus, Akzeptanz, Lösungsorientierung, Selbstwirksamkeit, Verantwortung, Netzwerk, Zukunftsplanung.
- Denkfehler: Bestätigungsfehler, Ankereffekt, Verfügbarkeitsheuristik, Überlebenden-Fehler, Automation Bias (zu viel Vertrauen in maschinelle Vorschläge).
- Tuckman: Forming, Storming, Norming, Performing (Adjourning).
- Schulz von Thun: vier Seiten einer Nachricht – Sachinhalt, Selbstkundgabe, Beziehung, Appell. Watzlawick: „Man kann nicht nicht kommunizieren“; Inhalts- und Beziehungsaspekt.
- Gewaltfreie Kommunikation (Rosenberg): Beobachtung, Gefühl, Bedürfnis, Bitte.
- Hofstede: Machtdistanz, Individualismus/Kollektivismus, Maskulinität/Femininität, Unsicherheitsvermeidung, Langzeitorientierung, Nachgiebigkeit.
- Ishikawa-Diagramm: Ursachen nach Kategorien (z. B. Mensch, Maschine, Methode, Material, Messung, Mitwelt) zur Wirkung sammeln.
Prüfungsfragen:
- Ein Teammitglied sagt im Meeting: „Das Modell ist schon wieder falsch.“ Analysieren Sie die Aussage mit dem Vier-Seiten-Modell. (Sache: Ergebnis fehlerhaft; Selbstkundgabe: Frust; Beziehung: Vorwurf an das Team?; Appell: Bitte ändert das.)
- Ihr Team arbeitet mit Kolleginnen in Indien und den Niederlanden. Welche Kulturdimension erklärt unterschiedliche Erwartungen an Entscheidungen durch Vorgesetzte? (Machtdistanz.)
- Warum ist Automation Bias in KI-gestützten Prozessen gefährlich, und was tun Sie dagegen? (Menschen übernehmen Vorschläge ungeprüft; Stichprobenkontrollen, Begründungspflicht, Schulung, Erklärungen anzeigen.)
Zehn vollständige Prüfungssätze im Format der Rechtsvorschrift. Jeder Satz besteht aus drei Bögen mit je 100 Punkten:
- Teil 1, Bereich A – Grundlagen der KI (60 Minuten): Grundbegriffe, Daten, Statistik, einfache Verfahren, Kennzahlen.
- Teil 1, Bereich B – Vertiefung (120 Minuten): Rechnen und Begründen auf Bachelor-Niveau: Modellwahl, Evaluation, Deep Learning, Bias und Erklärbarkeit, Robustheit, Python, Systementwicklung.
- Teil 2 – Situationsaufgabe (240 Minuten): ein Unternehmen, eine Ausgangslage, fünf bis sieben Aufgaben quer durch alle sechs Handlungsbereiche – z. B. KI-Lösung konzipieren, Prozess modellieren, Projekt planen, Rechtsfragen klären, Wirtschaftlichkeit rechnen, Team und Betriebsrat einbinden.
Bewertet wird automatisch (Zahlen und Auswahlantworten) und per KI-Korrektur nach Erwartungshorizont (Freitexte), mit Note nach Anlage 1 der Rechtsvorschrift.
Modul 19: Transfer-SimulatorDer transferbezogene Prüfungsteil zum Durchspielen:
- Thema finden – geeignet für DQR 6: komplexe betriebliche Problemstellung, datenbasierte Lösung, ökonomische und rechtliche Einflussfaktoren, agiles KI-Projekt mit (geplanter) Umsetzung, Bezüge zu §§ 5, 7, 8, 9.
- Themenvorschlag mit Gliederung – der KI-Prüfungsausschuss entscheidet: genehmigt, genehmigt mit Auflagen oder abgelehnt.
- 30-Tage-Plan für die 20-seitige Transferarbeit (± 10 %).
- Gliederung und Kapitel prüfen lassen – Rückmeldung nach den Kriterien des Ausschusses.
- Präsentation (mindestens 20 Minuten) mit Folienplan und Probevortrag.
- Situationsbezogenes Fachgespräch (mindestens 20 Minuten) mit KI-Prüfern aus Technik, Wirtschaft und Personal.
- Bewertung nach Kriterien mit Punkten und Note.
Typische Fragen im Fachgespräch: Warum haben Sie dieses Verfahren gewählt und nicht ein einfacheres? Wie haben Sie den Nutzen gemessen? Was passiert, wenn die Datenqualität sinkt? Wie haben Sie Betriebsrat und Datenschutz eingebunden? Wie würden Sie das Projekt auf alle Standorte skalieren? Was hätten Sie im Team anders gemacht? Welche Annahmen Ihrer Wirtschaftlichkeitsrechnung sind am unsichersten?
Formelsammlung| Thema | Formel |
|---|---|
| Mittelwert | x̄ = Σxᵢ / n |
| Varianz (Stichprobe) | s² = Σ(xᵢ − x̄)² / (n − 1) |
| Standardabweichung | s = √s² |
| IQR, Ausreißer | IQR = Q3 − Q1; Ausreißer < Q1 − 1,5·IQR oder > Q3 + 1,5·IQR |
| Satz von Bayes | P(A |
| Lineare Regression | ŷ = b₀ + b₁x; b₁ = Cov(x, y) / Var(x); b₀ = ȳ − b₁x̄ |
| Sigmoid | σ(z) = 1 / (1 + e^(−z)) |
| Gini-Unreinheit | G = 1 − Σpᵢ² |
| Accuracy | (TP + TN) / (TP + TN + FP + FN) |
| Precision / Recall | TP / (TP + FP) bzw. TP / (TP + FN) |
| F1 | 2·P·R / (P + R) |
| MAE / RMSE | Σ |
| Neuron | a = f(Σwᵢxᵢ + b); ReLU(z) = max(0, z) |
| Parameter einer Schicht | Eingänge · Neuronen + Neuronen |
| Prozesseffizienz | Bearbeitungszeit / Durchlaufzeit |
| Gesamtpuffer | SAZ − FAZ |
| Earned Value | CPI = EV / AC; SPI = EV / PV |
| Risiko | Erwartungswert = Wahrscheinlichkeit × Schaden |
| Nutzwert | Σ Gewicht × Punkte |
| ROI | (Rückfluss − Investition) / Investition |
| Amortisation (statisch) | Investition / jährlicher Rückfluss |
| RPZ (FMEA) | Auftreten × Bedeutung × Entdeckung |
| Deckungsbeitrag | Preis − variable Stückkosten |
| Break-even-Menge | Fixkosten / Deckungsbeitrag je Stück |
| Kapitalwert | C₀ = −I₀ + Σ Rₜ / (1 + i)ᵗ |
| Rentabilität | Gewinn / (Investition / 2) |
| Eigenkapitalquote | Eigenkapital / Gesamtkapital |
| Nettopersonalbedarf | Brutto − (Bestand − Abgänge + Zugänge) |
| Gewerbesteuer | Gewerbeertrag × 3,5 % × Hebesatz |
- Agent: KI-System, das selbstständig mehrere Schritte plant und Werkzeuge aufruft.
- Bias: systematische Verzerrung in Daten oder Modell, die Gruppen benachteiligt.
- Drift: Veränderung der Eingabedaten (Datendrift) oder des Zusammenhangs (Konzeptdrift) nach dem Training.
- Embedding: Zahlenvektor, der die Bedeutung eines Textes oder Bildes abbildet.
- Feature: Merkmal, das ein Modell als Eingabe nutzt.
- Halluzination: plausible, aber falsche Ausgabe eines Sprachmodells.
- Hyperparameter: Einstellung, die vor dem Training festgelegt wird (z. B. Lernrate, Baumtiefe).
- Inferenz: Anwendung eines trainierten Modells auf neue Daten.
- MLOps: Methoden, um ML-Modelle zuverlässig zu entwickeln, auszurollen und zu betreiben.
- RAG: Retrieval-Augmented Generation – ein Sprachmodell beantwortet Fragen mit Hilfe abgerufener Dokumente.
- Token: kleinste Texteinheit, die ein Sprachmodell verarbeitet.
- Transferarbeit: schriftliche Arbeit (20 Seiten) über eine betriebliche Problemstellung mit datenbasierter Lösung.
- IHK Region Stuttgart: Besondere Rechtsvorschriften für die Fortbildungsprüfung „Bachelor Professional in Künstlicher Intelligenz und Maschinellem Lernen (IHK Region Stuttgart)“, Beschluss vom 16.11.2022, geändert am 14.03.2024.
- Verordnung (EU) 2024/1689 (KI-Verordnung); Verordnung (EU) 2016/679 (DSGVO); Bundesdatenschutzgesetz.
- BGB, HGB, GmbHG, UStG, KStG, GewStG, UrhG, PatG, BetrVG, KSchG, TzBfG, ArbZG, AGG, MiLoG.
- Scrum Guide (Schwaber/Sutherland, 2020); DIN 69901; BPMN 2.0 (OMG).
- Ethik-Leitlinien für eine vertrauenswürdige KI, Hochrangige Expertengruppe der EU-Kommission (2019).