Künstliche Intelligenz-Produkte müssen außerhalb kontrollierter Entwicklungsumgebungen zuverlässig funktionieren. Änderungen an Daten, verborgener Bias, Abhängigkeiten von Drittanbietern, feindliche Angriffe, schwache Validierung und unsichere Bereitstellungspraktiken können die Modellleistung reduzieren und Organisationen betrieblichen, ethischen, regulatorischen und Reputationsrisiken aussetzen.
Dieser Kurs bietet eine strukturierte Anleitung zur Entwicklung von KI-Produkten, die zuverlässig, sicher, fair, konform und für den realen Einsatz geeignet sind. Er folgt dem gesamten Robustheitsweg, beginnend mit den Produktgrundlagen und fortschreitend durch Datenvorbereitung, Lieferkettenmanagement, Tests, gegnerische Bewertung, Sicherheit, Compliance und Bereitstellung.
Sie beginnen damit, zu verstehen, was ein KI-Produkt robust macht und warum Modellgenauigkeit allein nicht ausreicht. Der Kurs erklärt, wie Zuverlässigkeit, Fairness, Sicherheit, Skalierbarkeit, Transparenz und Governance zu einem vertrauenswürdigen KI-Produkt beitragen.
Die fiktive Organisation IntelliTech Solutions Inc. und ihre GenAI Assist-Lösung werden als praktischer Geschäftsfall verwendet. Dieses Szenario hilft zu demonstrieren, wie Robustheitsprinzipien auf ein KI-Produkt angewendet werden können, das in rechtlichen, finanziellen und compliance-sensiblen Umgebungen operiert.
Ein eigener Abschnitt untersucht Datenintegrität und Bias-Minderung. Sie lernen, wie unvollständige, ungenaue, unrepräsentative oder unausgewogene Daten die Modellausgaben beeinflussen können. Der Kurs untersucht praktische Überlegungen zur Verbesserung der Datenqualität, Bewertung der Vielfalt, Identifizierung von Bias und Reduzierung unfairer oder unzuverlässiger Ergebnisse.
Sie studieren dann das KI-Modell-Lieferkettenmanagement. Moderne KI-Lösungen können von externen Datensätzen, vorgefertigten Modellen, APIs, Open-Source-Komponenten, Cloud-Plattformen und Drittanbietern abhängen. Sie lernen, wie man diese Abhängigkeiten identifiziert, Lieferantenrisiken bewertet, Modellherkünfte dokumentiert und Kontrollen für externe KI-Komponenten etabliert.
Der Abschnitt zu Modelltests und -validierung erklärt, wie man ein KI-Produkt über verschiedene Benutzer, Umgebungen, Datensätze, Extremfälle und Betriebsszenarien hinweg bewertet. Sie erforschen Techniken zur Überprüfung der Leistungskonsistenz, Erkennung von Schwächen, Validierung des erwarteten Verhaltens und Vorbereitung von Modellen für reale Bedingungen.
Der Kurs behandelt auch AI Red Teaming und gegnerisches Training. Sie lernen, wie kontrollierte Tests Schwachstellen wie Prompt-Injektion, Manipulationsversuche, unsichere Antworten, unerwartetes Verhalten und andere gegnerische Aktivitäten aufdecken können.
