CAS in Angewandte KI in der Praxis

Certificate of Advanced Studies in Angewandte KI in der Praxis HWZ

15 ECTS

1 Semester

15 Tage und 200 Stunden Selbststudium

In diesem CAS werden Sie mit verschiedenen Tools arbeiten, welche Sie auf Ihr Gerät herunterladen werden. Aus diesen Grund ist ein privater Laptop mitzubringen.

Ausgeglichene Mischung aus Online-, Hybrid- und Vor-Ort-Unterricht

CHF 8'900.-

Das CAS schliessen Sie mit einer schriftlichen Arbeit ab.

• Abgeschlossenes Fachhochschul- oder Universitätsstudium
• Abschluss der höheren Berufsbildung und ausreichend Berufserfahrung in einem für die Weiterbildung relevanten Berufsfeld sowie angemessene wissenschaftliche Kenntnisse
• Ausserordentliche Zulassung: individuelle Prüfung durch die Zulassungskommission

Sie sollten gute Anwenderkenntnisse im Bereich Office und Internet mitbringen und erste Erfahrungen mit generativen Chatbots wie ChatGPT, Claude, Copilot oder Gemini gesammelt haben.

April und Oktober

Deutsch und in geringem Umfang in Englisch

3 CAS in Kombination mit einer Masterthesis ergeben einen Master of Advanced Studies (MAS) FH in gewählter Fachrichtung. Hier lesen Sie mehr.

• Verständnis von Künstlicher Intelligenz und den zentralen Begriffen
• KI-Entscheide in Unternehmen fachlich einordnen
• realistische Erwartungen an Leistungsfähigkeit und Grenzen

• KI-Resultate kritisch beurteilen
• souverän mit Daten arbeiten
• KI- und Data-Literacy in der täglichen Arbeit sichtbar machen
• Kompetenzen im Team aufbauen

• persönliche Produktivitätsgewinne durch KI
• Blick auf Transformation und Skalierung im Unternehmen
• Use Cases priorisieren
• Wertbeiträge plausibilisieren
• Adoption als gestaltbaren Prozess 

• wichtigsten Funktionsprinzipien und Einsatzmuster aktueller GenAI-Tools und Plattformen kennen und auswählen
• Chat- und Copilot-Umgebungen sinnvoll anwenden

• fortgeschrittene Prompting-Techniken
• Prompts als Bestandteil von Workflows

• KI-gestützte Automatisierung in Fachbereichen und Projekten
• Zusammenwirken zwischen No-Code-Tools, Konnektoren und standardisierte Schnittstellen

• praxisorientiertes Datenverständnis (wie Daten entstehen, wie sie gepflegt werden und warum Data Engineering die Brücke zwischen Fachbereich und KI-Anwendung bildet)

• wie Daten entlang der Wertschöpfungskette zu verlässlichen Produkten werden
• wie Rollen, Architektur und Governance in der Praxis zusammenwirken

• Umwandlung Daten in verständliche Steuerungsinformationen
• Zusammenspiel BI-Modelle, Kennzahlenlogik und Dashboard-Design

• Wissen im Unternehmen strukturieren
• von Dokumentensammlungen zu einer bewusst gestalteten Wissensarchitektur gelangen

• Unternehmenswissen für generative KI-Anwendungen technisch und fachlich nutzbar machen
• Retrieval-Augmented Generation als Praxisansatz

• Knowledge Engineering im Betrieb, inklusive Governance, Sicherheit und kontinuierlicher Qualitätsverbesserung
• KI-Wissenssysteme so gestalten, dass sie organisationsfähig und überprüfbar sind

• KI-Anwendungen einfach erstellen und dabei UI, Kontext, Tools und Governance sinnvoll anwenden
• moderne Interaktionsmuster wie Chat-UIs, Agents und Tool-Calling

• klassische Machine-Learning-Modelle und moderne Fine-Tuning-Ansätze
• Modelltraining, Evaluation und die Übersetzung in konkrete Use Cases

• ML-Lösungen in einen stabilen Betrieb überführen
• Brücke zur Robotik