Das Wichtigste vorab

AI Engineers entwickeln Anwendungen, die Modelle, Daten und Software verbinden. Die Arbeit beginnt bei einer konkreten Aufgabe und endet erst dort, wo die Lösung im Alltag zuverlässig funktioniert.

Ein Modell allein ist noch keine Anwendung

Ein Sprachmodell kann eine überzeugende Antwort formulieren. Für eine Unternehmensanwendung fehlen dann häufig noch Datenzugriff, Berechtigungen, Tests, eine verständliche Oberfläche und ein Umgang mit Fehlern. Genau an solchen Verbindungen arbeitet AI Engineering.

Du musst nicht für jedes Problem ein eigenes großes Modell trainieren. Häufig besteht die Aufgabe darin, vorhandene Systeme sinnvoll auszuwählen, zu integrieren und zu bewerten. Welche Daten dürfen verwendet werden? Wie aktuell müssen sie sein? Was geschieht, wenn eine Antwort falsch oder ein Dienst nicht erreichbar ist?

Ein fiktives Projekt: ein Assistent für interne Anleitungen

Ein Serviceteam sucht regelmäßig in langen Handbüchern. Du entwickelst einen Prototyp, der passende Textstellen findet und eine Antwort mit Fundstellen vorschlägt. Die erste Version darf nur mit freigegebenen Beispieldokumenten arbeiten. Ein Mensch entscheidet, ob die Antwort für den konkreten Fall brauchbar ist.

Die technische Arbeit umfasst mehr als den Aufruf eines Modells: Dokumente aufbereiten, Suchergebnisse vergleichen, Quellen anzeigen und Berechtigungen beachten. Ein Testset enthält normale Fragen, mehrdeutige Formulierungen und Fragen, die die Dokumente nicht beantworten. Auch „Dazu habe ich keine belastbare Information“ muss als gutes Ergebnis möglich sein.

Fünf Bausteine, die du lernen kannst

Vergleich seitlich wischen ↔

Baustein Wozu du ihn brauchst
Softwareentwicklung Abläufe programmieren, Code strukturieren und Änderungen nachvollziehbar halten.
Daten und Datenbanken Informationen sauber speichern, abfragen und auf ihre Qualität prüfen.
Applied AI Modelle und Verfahren passend zur Aufgabe auswählen.
Tests und Evaluation Ergebnisse anhand vorher definierter Fälle und Kriterien bewerten.
Integration und Betrieb Schnittstellen, Zugriffe, Kosten und Fehler im laufenden System berücksichtigen.

Das sind Lernfelder, keine Eingangsvoraussetzungen, die du schon vollständig beherrschen musst. Wichtig sind Neugier, Ausdauer beim Fehlersuchen und die Bereitschaft, technische Zusammenhänge Schritt für Schritt zu verstehen.

Wie dich das Studium darauf vorbereitet

Die Unterlagen für Informatics & AI Engineering B.Sc. verbinden Informatikgrundlagen mit Data Engineering, Applied Machine Learning, Cloud und DevOps sowie Integration und Automation. Projektarbeit hilft dabei, aus einzelnen Werkzeugen ein nachvollziehbares System zu machen.

Ein sinnvolles erstes Portfolio zeigt deshalb nicht nur einen hübschen Chatbot. Dokumentiere die Aufgabe, deine Daten, drei wichtige Designentscheidungen, Testfälle und bekannte Grenzen. Wer erklären kann, warum etwas funktioniert oder scheitert, zeigt mehr Engineering-Verständnis als mit einer unkommentierten Demo.

Ein kleiner Einstieg ohne große Infrastruktur

Beginne mit einer Sammlung von zehn selbst geschriebenen FAQ-Antworten. Überlege, wie du für fünf Fragen die richtige Antwort finden würdest – zunächst ganz ohne AI. Notiere anschließend, was ein Modell besser machen könnte und welche neuen Fehler entstehen könnten. So lernst du, technische Mittel am Problem zu messen.

Der ML-Einstieg von Google erklärt grundlegende Konzepte, enthält aber keine praktische Implementierung. Für einen technischen nächsten Schritt bietet Microsoft Learn einen Lernpfad zu AI-Anwendungen und Agenten. Das sind freiwillige externe Lernangebote, keine Voraussetzung und kein zugesicherter Bestandteil des Studiums.

Quellen & Grundlagen

Geprüft am 16.09.2026. Die Studiengangsunterlagen beziehen sich auf den Planungsstand 2027. Beispiele und Übungen sind redaktionell entwickelt; sie beschreiben keine zugesagte Stelle oder Prüfungsleistung.

Dein Wissen. Dein nächster Schritt.

Vertiefe die Richtung, die dich interessiert – wir unterstützen dich bei den offenen Fragen.

AI Engineering im Detail