Training · 5 Tage
Vom ersten API-Call
zum Multi-Agent-System.
Hands-on-Workshop für Software-Ingenieure in Manufacturing und Industrie, mit wenig oder keiner LLM-Vorerfahrung. Ein durchgehender Fall: Root Cause Analysis in der Fertigung. Evaluation, Security und Kosten sind von der ersten Zeile Code an integraler Bestandteil.
Für wen
Software-Ingenieure in Manufacturing und Industrie, mit wenig oder keiner LLM-Vorerfahrung. Sie kennen deterministische Systeme und Security auf Anwendungsebene, aber noch nicht, dass man AI-Systeme von Tag 0 an benchmarken muss, was ein AI-System auf Systemebene angreifbar macht, oder wie Modellwahl und Prompt Caching die Kosten steuern. Kein Data-Science-Hintergrund vorausgesetzt.
Der Fall
Root Cause Analysis in der Fertigung. MES-Daten, Sensor-Logs, Systemstatus, Ticket-Eskalation. Teilnehmende bauen das System, das eine Produktionsstörung bis zur Ursache verfolgt, und machen es über die Woche schrittweise komplexer: jedes neue Konzept entsteht zuerst an einem einfachen Beispiel, wird dann in das RCA-System eingebaut, gemessen und verbessert. Der Fall lässt sich auf die jeweilige Branche zuschneiden und bei Bedarf mit unternehmenseigenen Daten durchführen, für den größtmöglichen Praxistransfer.
Das Ergebnis
Teilnehmende verlassen den Kurs mit einem eigenen, produktionsnah strukturierten Multi-Agent-System, das Evaluation, Security-Guardrails und Kostenkontrolle nicht nachträglich, sondern von Grund auf mitbringt.
Die fünf Tage
Von der API-Anfrage
zur Architektur.
Tag 1
Die Grundlagen
Ein bewusst einfaches Baseline-LLM mit Guardrails, angebunden an MES-Daten und Sensor-Logs des RCA-Falls. Evaluation und Observability sind von Tag 1 an dabei, eine erste RAG-Pipeline holt Kontext aus der Ticket-Historie.
Tag 2
Kontext und Gesprächsverläufe
Die RAG-Pipeline wird produktionstauglich: Hybrid Search und Reranking, Output-Guardrails gegen falsche Antworten, Conversation Memory für Rückfragen. Kontextkomprimierung und Prompt Caching halten Tempo und Kosten im Rahmen.
Tag 3
Tools und Integrationen
Das System bekommt Hände: Function Calling und ReAct lassen es Tools aufrufen, etwa um Sensordaten nachzuladen. Security- und Kosten-Guardrails zählen ab hier als eigenes Thema, MCP wird zum Standard für die Tool-Anbindung.
Tag 4
Multi-Agent-Systeme
Aus einem System werden mehrere spezialisierte Agenten, orchestriert für die Schritte der Root-Cause-Analyse. Checkpoints und Approval Gates holen einen Menschen dort ins Boot, wo eine Entscheidung zu weitreichend ist.
Tag 5
Assembly, Debugging und Monitoring
Alle Teile laufen als ein Multi-Agent-System zusammen. Agent Traces und Trajectories zeigen, welcher Agent wann welche Entscheidung traf, Grundlage für Debugging und End-to-End-Evaluation im laufenden Betrieb.
Erst Intuition, dann Framework
Jedes Konzept wird zuerst an einem einfachen Beispiel eingeführt, wird dann mit den gängigen Frameworks in das RCA-System eingebaut und evaluiert, danach schrittweise komplizierter gemacht und dort verbessert, wo es hakt. Alles anwendungsfall- und problemgetrieben, so einfach wie möglich, so komplex wie notwendig.
Messen vor Verbessern
MLflow trackt jede Modellversion, LLM-as-a-Judge bewertet automatisiert, ob eine RCA-Antwort tatsächlich zur Ursache führt. So sehen Teilnehmende ab Tag 1, ob eine Änderung wirklich hilft, nicht nur ob sie plausibel klingt.
Security & Kosten, keine Nachrüstung
Teilnehmende versuchen, den eigenen RCA-Agenten per Prompt Injection aus der Bahn zu werfen, und lernen dabei die Guardrails, die das verhindern. Modellwahl, Prompt Caching und Kontextkomprimierung zeigen am selben Fall, wie sich Token-Kosten real senken lassen.
Ihre Fragen, nicht unsere Folien
Eine moderierte Diskussionsrunde pro Tag, zu Praxisfragen aus Ihrem Betrieb: von der Identifikation vielversprechender Use Cases über Governance-Fragen bis dahin, warum GenAI im laufenden Betrieb so viel schwerer zu überwachen ist als klassische Software.
Code, kein Powerpoint
Das GitHub-Repo ist das Trainingsmaterial: Notebooks auf Deutsch, mit synthetischen Fertigungsdaten für den RCA-Fall, fertigen Eval-Metriken und Utility-Modulen. Der Modellzugriff läuft über eine DSGVO-konforme API mit EU-Hosting, Tokens sind im Kurspreis inbegriffen.
In Präsenz, nicht remote
8 bis 15 Teilnehmende, in Präsenz: Die Interaktion mit den Teilnehmenden ist das A und O. Eigener Laptop genügt, der Modellzugriff läuft über die im Kurs bereitgestellte API.
Didaktik
Erst das einfache Beispiel,
dann der laufende Fall.
Jedes Training folgt derselben Dramaturgie. Ein Konzept wird zuerst an einem einfachen Beispiel eingeführt, wird mit den gängigen Frameworks in den durchgehenden Anwendungsfall aus der Praxis eingebaut und evaluiert. Danach schrittweise komplizierter gemacht, gemessen und dort verbessert, wo es hakt. Alles anwendungsfall- und problemgetrieben, so einfach wie möglich, so komplex wie notwendig. Teilnehmende verstehen, warum eine Methode greift, nicht nur welchen Befehl sie tippen.
Ein Team, das misst,
bevor es skaliert.
Sagen Sie uns, welches Format zu Ihrem Team passt. Wir klären Rahmen, Größe und Termin und melden uns innerhalb eines Werktages.