Publisher : Dr. Amar Massoud (Deutsch)
Price : $14
Course Language : German
Dieser Kurs wurde unter Zuhilfenahme von künstlicher Intelligenz erstellt.
„Woher wissen Sie, dass Ihr KI-Agent funktioniert?“
Nicht „Hat sich jemand beschwert?“ — woher wissen Sie es? Die meisten Teams beantworten diese Frage mit einer Demo. Eine Demo ist kein Nachweis. Sobald eine Prüferin, eine Aufsichtsbehörde oder eine Führungskraft nach Nachweisen fragt, wird die Lücke sichtbar.
Dieser Kurs schließt diese Lücke.
Sie lernen nicht, einen Agenten zu bauen. Sie lernen, nachzuweisen, dass er funktioniert, ihn beim Versagen zu ertappen und ein Release abzuzeichnen, das Sie verteidigen können — mit neun Artefakten, die Sie im Verlauf erstellen und für die Sie keine einzige Zeile Code schreiben müssen.
Warum Agenten jede Testgewohnheit aushebeln. Eine Testsuite setzt voraus, dass dieselbe Eingabe dieselbe Ausgabe liefert. Ein Agent zieht aus einer Verteilung. Sie setzt eine endliche Menge an Pfaden voraus — ein Agent mit sechs Tools über zehn Schritte hat einen Pfadraum, den niemand aufzählen kann. Sie setzt voraus, dass Fehler sich bemerkbar machen. Ein Agent, der eine Policenklausel erfindet, liefert eine perfekt formatierte, selbstsichere, völlig falsche Antwort mit HTTP 200. Nichts wird rot.
Governance sagt, was wahr sein sollte. Assurance weist nach, was wahr ist. In diesem Kurs geht es um das Zweite.
Was diesen Kurs unterscheidet. Die meisten KI-Kurse lehren entweder Governance-Frameworks ohne Messung oder LLM-Evaluation ohne Governance. Dieser Kurs verbindet beides und bleibt konkret:
Halluzination ist nicht eine einzige Sache. Sie lernen sechs unterschiedliche Mechanismen — erfundener Fakt, erfundene Quellenangabe, Konfabulation von Tool-Ergebnissen, unbelegter Abruf, falsche Fähigkeitsbehauptung, Grounding-Verfall —, jeden mit eigenem Erkennungssignal und eigener Testart. Drei davon werden an den Agenten von Halden Schritt für Schritt rekonstruiert, sodass Sie den Fehler entstehen sehen, statt nur darüber zu lesen.
LLM-as-Judge hat gemessene Verzerrungen. In der bekanntesten Studie blieb selbst GPT-4 nur in etwa zwei Dritteln der Fälle bei seinem Urteil, wenn die beiden Antworten die Plätze tauschten, und eine mit Wiederholungen aufgeblähte Antwort täuschte schwächere Judges rund neun von zehn Malen. Länge geht oft mit Absicherungsfloskeln einher — Ihr Judge kann also genau die Halluzination belohnen, die Sie suchen. Sie lernen, Positions-, Längen- und Selbstpräferenz-Bias messbar zu machen.
Telemetrie kann Ihnen nicht sagen, ob eine Antwort richtig war. Die OpenTelemetry-GenAI-Konventionen können ein Evaluationsergebnis an einem Trace festhalten, aber nichts in der Telemetrie erzeugt es. Das ist eine Kategoriengrenze, keine Werkzeuglücke — und wer genau weiß, wo Observability aufhört, weiß, was er zusätzlich bauen muss.
Das AI Agent Assurance Pack. Sie schließen mit neun Artefakten ab, erstellt für einen Agenten, der Ihnen wirklich wichtig ist: (1) Vorlage zur Agenten-Risikobeurteilung, (2) Verhaltens- und Grenzspezifikation, (3) Testfall- und Evaluationsbibliothek, (4) Halluzinationstaxonomie, (5) Matrix der menschlichen Aufsicht, (6) Entwurf des Monitoring-Dashboards, (7) Agenten-Vorfallsprotokoll, (8) Checkliste zur Release-Reife, (9) Governance- und Assurance-Bericht.
Jedes Artefakt wird vollständig an der Halden Insurance Group durchgearbeitet, einem mittelgroßen Versicherer, der drei Agenten betreibt und für keinen davon Nachweise hat — einschließlich eines ausgearbeiteten Produktionsvorfalls, bei dem sechs Wochen lang jede Antwort belegt, zitiert, nachvollziehbar und falsch war.
Verankert in den Frameworks, an denen Sie gemessen werden. NIST AI RMF (die Funktion Measure), ISO/IEC 42001 Abschnitt 9, Artikel 14 des EU AI Act (der KI-Verordnung der EU) zur menschlichen Aufsicht und die OWASP Top 10 for LLM Applications. Nicht als Theorie — sondern als Grund dafür, warum jedes Artefakt seine Form hat.
Für wen der Kurs ist. Fachleute für KI-Governance, QA-Leads, Risikomanager, interne Revision und KI-Product-Owner. Programmierkenntnisse sind nicht nötig. Entwicklerinnen und Entwickler sind willkommen und finden das Vokabular nützlich, um ihre eigene Evaluationsarbeit zu verteidigen.
Fünfundfünfzig Lektionen in zehn Kapiteln, neun Quizze, acht Aufgaben und eine abschließende Übungsprüfung.