Künstliche Intelligenz (KI; engl. AI, Artificial Intelligence) und maschinelles Lernen (ML) bieten vielfältige Möglichkeiten, aber auch Herausforderungen, die nahezu alle Arbeitsbereiche betreffen. In der Praxis ist es entscheidend, nicht nur robuste ML-Modelle auf dem aktuellen Stand der Technik zu entwickeln, sondern auch sicherzustellen, dass sie effizient und sicher eingesetzt und betrieben werden. Dafür werden zunehmend Fachkräfte gesucht. Im CAS Advanced Machine Learning and Machine Learning Operations erwerben Personen mit Programmierkenntnissen, welche bereits über Grundkenntnisse in Machine Learning (ML) bzw. Deep Learning verfügen, das Rüstzeug, um KI-Lösungen in ihrer beruflichen Praxis erfolgreich zu entwerfen, zu entwickeln und zu betreiben. Sie lernen Theorie und Praxis, Prozesse und Tools kennen, um den Lebenszyklus von ML-Algorithmen in der eigenen Praxis zu gestalten und zu optimieren. Darüber hinaus setzen sie sich mit ethischen, rechtlichen und gesellschaftlichen Aspekten der Anwendung von KI auseinander, die im Rahmen bevorstehender KI-Gesetze in den Fokus rücken. Sie diskutieren, wie sie der nach wie vor bestehenden Skepsis gegenüber KI-Anwendungen argumentativ begegnen können.

Die Teilnehmenden können

• Machine Learning Systeme effizient und nachhaltig in eine Produktivumgebung überführen durch die Verwendung von MLOps-Konzepten und Pipelines.
• Large Language Models (LLMs) verstehen und als Grundlage individueller Anwendungen auf eigenen Daten und eigener Infrastruktur nutzen.
• Anwendungen des maschinellen Sehens (Computer Vision) mit Deep Learning Methoden entwickeln und evaluieren.
• Lernfähige Steuerungen und Regler für Prozesse und Abläufe implementieren mittels Reinforcement Learning.
• Fairness und Vertrauenswürdigkeit in KI-Systemen verstehen und sicherstellen, dass diese Prinzipien in deren Implementierung gewährleistet sind.

Das CAS Advanced Machine Learning and Machine Learning Operations ist modular aufgebaut und besteht aus 5 Modulen.

Modul "Machine Learning Operations (MLOps)"

Inhalt

• Einführung MLOps und ML-Systeme
• Daten-Infrastruktur, -Werkzeuge und -Processing
• Modellentwicklung und -Debugging
• Deployment-Infrastruktur und -Werkzeuge
• Monitoring, Continual Learning
• ML-Projektmanagement

Lernziele

• Teilnehmende haben fundierte Kenntnisse der Methoden, Tools und Frameworks, die notwendig sind, um ML-Systeme zu entwickeln und zur Anwendung zu bringen.
• Sie verfügen über einen Überblick über ML-Systeme und ML-Projektmanagement aus der Business-Perspektive.
• Sie können relevante Tools und Methoden implementieren und in ein funktionales MLOps-System integrieren.

Modul "Large Language Models (LLMs)"

Inhalt

• Einführung Large Language Models (LLMs)
• LLM-Apps und LLMOps
• Techniken zur Evaluation
• «Chat to your data» mit Retrieval Augmented Generation (RAG)

Lernziele

• Teilnehmende habe solide Kenntnisse der Grundlagen und Anwendungsmöglichkeiten von LLMs.
• Sie können LLMs bezogen auf konkrete Use Cases mit lokaler Infrastruktur betreiben und fine-tunen.

Modul "Computer Vision (CV)"

Inhalt

• Einführung in Computer Vision mit Hilfe von Deep Learning Methoden
• Bildklassifizierung, Objekterkennung und Segmentierung
• Generative Modelle
• Spezielle Anwendungen

Lernziele

• Teilnehmende kennen moderne Verfahren zur Lösung von CV-Problemen mit Deep Learning.
• Sie können anhand konkreter Fragestellungen entsprechende Verfahren identifizieren.
• Sie können Computer Vision-Techniken auf realen Datensätzen anwenden.

Modul "Reinforcement Learning (RL)"

Inhalt

• Einführung Reinforcement Learning inklusive Deep RL
• Steuern und regeln durch sequentielle Entscheidungsprozesse, Value Functions und Exploration-Exploitation
• Sampling-basierte Methoden: Temporal-difference learning, Q-learning
• Policy Gradient Methoden

Lernziele

• Teilnehmende verstehen, wie RL zur Optimierung von Steuerungs- und Regelungsprozessen eingesetzt werden kann.
• Sie haben die Fähigkeit, anhand konkreter Fragestellungen RL Verfahren zur Optimierung von Produktionsabläufen und zur autonomen Entscheidungsfindung zu identifizieren.
• Sie können lernfähige Steuerungsstrategien anhand echter Datensätze oder Simulationen entwickeln.

Modul "Trustworthy AI"

Inhalt

• Einführung: Dimensionen der Vertrauenswürdigkeit
• Erklärbare Modelle
• Algorithmische Fairness
• Ethische Aspekte: Risiken durch KI
• Regulatorische Aspekte: Normen, Gesetzgebung

Lernziele

• Teilnehmende verstehen soziale und ethische Probleme, die mit KI-Anwendung einhergehen.
• Sie erlangen Kenntnisse des Zusammenhangs zwischen algorithmischem Bias und Fairness und sind in der Lage, diesen Bias zu messen und zu kompensieren.
• Sie sind mit dem aktuellen Stand der KI-Gesetzgebung und den relevanten Normen vertraut.

Zulassungsbedingungen für Personen mit Hochschulabschluss

Die Zulassung zum Lehrgang setzt voraus:

• Abschluss (Diplom, Lizentiat, Bachelor- oder Masterabschluss) einer staatlich anerkannten Hochschule beziehungsweise einer der Vorgängerschulen.
• 2 Jahre qualifizierte Berufserfahrung zum Zeitpunkt des Starts der Weiterbildung.
• Erfolgreicher Abschluss des CAS Machine Intelligence oder vergleichbare Kenntnisse (insbesondere Programmierung in Python, Grundkenntnisse und praktische Erfahrungen in ML-Methoden und Deep Learning)

Zulassungsbedingungen für Personen ohne Hochschulabschluss

Die Zulassung zum Lehrgang setzt voraus:

• Nachweis eines Abschlusses in der höheren Berufsbildung (Tertiär-B): Berufsprüfung BP (eidgenössischer Fachausweis) oder Höhere Fachprüfung HFP (eidgenössisches Diplom) oder Höhere Fachschule HF. In Ausnahmefällen können weitere Personen zugelassen werden, wenn sich deren Befähigung zur Teilnahme aus einem anderen Nachweis ergibt.
• 3 Jahre qualifizierte Berufserfahrung zum Zeitpunkt des Starts der Weiterbildung.
• Erfolgreicher Abschluss des CAS Machine Intelligence oder vergleichbare Kenntnisse (insbesondere Programmierung in Python, Grundkenntnisse und praktische Erfahrungen in ML-Methoden und Deep Learning).
• Bestehen eines Zulassungsgesprächs.

Das CAS richtet sich an Personen, die

• ihre Fähigkeiten im Bereich der ML und Deep Learning Entwicklung erweitern möchten.
• selbst ML-basierte Anwendungen im beruflichen Umfeld (sei es in Industrie, Verwaltung oder Forschung) implementieren wollen und daher an der Operationalisierung von ML (MLOps) sowie dem Aufbau von ML-Systemen in der Praxis interessiert sind.
• als (künftige) Entscheider:innen nebst technischen auch ethische, rechtliche und gesellschaftliche Aspekte der Anwendung von KI-Systemen berücksichtigen wollen.

Kursprogramm