6.0 Einführung in Teil 6: Künstliche Intelligenz
Künstliche Intelligenz hat sich von einer Forschungsneuheit zu einer Kernfähigkeit entwickelt, die große Organisationen jetzt verantwortlich und im Maßstab einsetzen sollen. Dieser Teil geht durch den gesamten Lebenszyklus: entscheiden, wo KI es wert ist, angewendet zu werden, Machine-Learning-Systeme entwickeln, die den Kontakt mit Produktion überleben, Anwendungen auf generativen Modellen bauen, KI nutzen, um bei der Softwareentwicklung selbst zu helfen, Ihre Pflichten für Fairness und Rechenschaftspflicht erfüllen, und die spezialisierte Infrastruktur betreiben, die all das braucht. Eine Idee bindet jedes Kapitel zusammen: das Modell ist selten der schwere Teil. Der schwere Teil ist die Engineering-, Governance-, und Betriebsdisziplin, die es umgibt.
Für große Teams erhöhen Maßstab und Trägheit die Einsätze. Eine schlecht gerahmte Initiative kann Budgets verbrennen, geschickte Ingenieurinnen ablenken, und Vertrauen erodieren, wenn sie öffentlich scheitert. Eine gut gewählte kann Plackerei automatisieren und Einsicht aus Daten zutage fördern, die Sie nie zuvor erreichen konnten. Über Hunderte Entwicklerinnen und Dutzende Modelle hinweg summieren sich kleine Gewohnheiten und kleine Lücken in der Aufsicht zu organisatorischen Ergebnissen. Das ist, warum geteilte Plattformen, Standards, und Normen mehr zählen als jede einzelne clevere Lösung.
Unternehmens- und Behördenkontexte fügen schärfere Einschränkungen hinzu, und sie laufen durch jedes Kapitel. Öffentliche Stellen müssen Ausgaben rechtfertigen, Transparenz garantieren, ungesetzliche Diskriminierung vermeiden, und gegenüber Regulatorinnen und der Öffentlichkeit rechenschaftspflichtig bleiben. Beschaffungsregeln verbieten möglicherweise Ein-Anbieter-Lock-in und fordern Erklärbarkeit und Ausstiegsoptionen. Aufkommendes Recht wie der EU AI Act (die risikogestufte Regulierung von KI-Systemen der Europäischen Union) und Standards wie das NIST AI Risk Management Framework und ISO/IEC 42001, ein zertifizierbarer KI-Managementsystem-Standard, legen nach Risiko abgestufte Anforderungen auf. In diesen Umgebungen sind Compliance, Prüfbarkeit, Reproduzierbarkeit, und Datensouveränität erstklassige Anforderungen, keine Nachgedanken.
Kapitel in diesem Teil
6.1 KI-Strategie und -Bereitschaft: Die Disziplin, zu entscheiden, wo KI anzuwenden ist, wo sie zu vermeiden ist, und welche Daten-, Talent-, und Governance-Grundlagen existieren müssen, bevor das erste Modell Produktion erreicht.
6.2 Machine-Learning-Engineering (MLOps): Software-Strenge in die dreiteilige Realität aus Code plus Daten plus Modellen bringen, damit ML-Systeme reproduzierbar, beobachtbar, und wartbar sind statt Einmal-Demos.
6.3 Generative KI und LLM-Anwendungen: Verlässliche Anwendungen um probabilistische Sprachmodelle herum entwickeln, durch Kontextverwaltung, retrieval-gestützte Verankerung, Leitplanken (Laufzeitprüfungen, die Modell-Eingaben und -Ausgaben einschränken), und strenge Evaluation.
6.4 KI-unterstützte Softwareentwicklung: KI-Codierassistentinnen nutzen, um Durchsatz zu erhöhen, ohne Qualität zu senken, durch klare Normen, gute Standards, starke Verifikation, und Aufmerksamkeit auf Sicherheit und Lizenzierung.
6.5 Verantwortungsvolle und vertrauenswürdige KI: Systeme bauen, die fair, transparent, rechenschaftspflichtig, sicher, und datenschutzrespektierend sind, und all das gegenüber den Betroffenen und Regulatorinnen demonstrieren können.
6.6 KI-Infrastruktur und -Betrieb: Die knappen Beschleuniger, Vektorspeicher (Systeme, die Daten als numerische Vektoren für Ähnlichkeitssuche indizieren), und Serving-Schichten bereitstellen und betreiben, die KI-Workloads fordern, kosteneffektiv, verlässlich, und beobachtbar.
6.7 KI-Agentinnen und agentische Systeme: Software bauen, die ein Sprachmodell in einer Schleife mit Werkzeugen, Gedächtnis, und einem Ziel nutzt, um Aktionen zu ergreifen, und das sicher tun, durch begrenzte Autonomie, Geringstes-Privileg-Werkzeugzugang, Mensch-im-Loop-Genehmigungen, Leitplanken gegen Prompt-Injektion, und strenge Evaluation nicht-deterministischen Verhaltens.
6.8 KI-Evaluation und -Testen: KI vertrauenswürdig machen durch eval-getriebene Entwicklung, repräsentative Eval-Sets und aufgabenpassende Kennzahlen, kalibrierte LLM-als-Richterin und menschliche Prüfung, Red-Teaming, Regressionstore in kontinuierlicher Integration, und Überwachung von Qualität und Drift in Produktion.
6.9 Prompt-Engineering und Kontextdesign: Prompting als Engineering behandeln, mit strukturierten Prompts, Few-Shot- und Chain-of-Thought-Techniken, disziplinierter Kontextbudgetierung und Retrieval, strukturierter Ausgabe und Werkzeugaufrufen, und Prompts, versioniert, geprüft, und evaluiert wie Code.
Wie diese Kapitel zusammenhängen
Zusammen bilden diese Kapitel einen Lebenszyklus, der von Absicht zu Betrieb läuft. Kapitel 6.1 setzt Strategie und Bereitschaft, rahmend, welche Probleme KI überhaupt rechtfertigen und welche Grundlagen Sie zuerst brauchen. Kapitel 6.2 liefert das Engineering-Rückgrat für klassisches Machine Learning, während Kapitel 6.3 die unterschiedlichen Muster generativer Modelle abdeckt, wo Verhalten durch Prompts und abgerufenen Kontext geformt wird statt durch einen Trainingsschritt. Kapitel 6.4 wendet KI auf das Handwerk der Softwareentwicklung selbst an, und Kapitel 6.6 stellt das Rechen-, Speicher-, und Serving-Substrat bereit, von dem jedes andere Kapitel abhängt. Kapitel 6.5 ist absichtlich nicht das letzte Wort, sondern eine ständige Begleiterin: verantwortungsvolle-KI-Pflichten formen Strategie, schränken Modellwahl ein, torwächten Deployment, und informieren Infrastrukturentscheidungen durchgehend.
Der rote Faden läuft von Strategie zu MLOps zu generativer KI zu KI-unterstützter Entwicklung zu verantwortungsvoller KI zu Infrastruktur, aber denken Sie daran als Netz, nicht als gerade Linie. MLOps und Infrastruktur teilen Anliegen um Reproduzierbarkeit, Kosten, und Serving, Kapitel 6.2 und Kapitel 6.6 werden also am besten zusammen gelesen. Verantwortungsvolle KI bindet zurück zu Strategie in Kapitel 6.1 und vorwärts zur breiteren Behandlung von Ethik und öffentlichem Interesse in Kapitel 10.5, und sie stützt sich auf die Datenschutz- und Datenschutzpraktiken aus Kapitel 4.5. Die breiteren Engineering-Grundlagen dieses Guidebooks untermauern den gesamten Teil: kontinuierliche Lieferung in Kapitel 8.1, Beobachtbarkeit und Überwachung in Kapitel 9.2, Teststrategie in Kapitel 2.4, und Code-Prüfung in Kapitel 2.5 sind alle Voraussetzungen, um KI gut zu machen. KI ersetzt keine solide Softwaretechnik. Sie erhöht die Einsätze, sie richtig zu machen.