6-Monats-Fahrplan für KI-Ingenieure

Monat 1: Solide Grundlagen in Programmierung und Fundamenten - Python wirklich gut - Git + GitHub - CLI / Terminal-Grundlagen - JSON, APIs, HTTP, Async-Grundlagen - grundlegendes SQL - grundlegende Datenverarbeitung mit pandas - virtuelle Umgebungen, Paketverwaltung, Fehlerbehandlung - FastAPI oder Flask Monat 2: LLM-App-Entwicklung meistern - Prompting-Grundlagen - System- vs. User-Instruktionen - strukturierte Ausgaben / JSON-Schemas - Funktions-/Tool-Aufrufe - Streaming-Antworten - Gesprächszustand - Kosten / Latenz / Token-Grundlagen - Fehlerbehandlung - Bewusstsein für Prompt-Injection Monat 3: RAG richtig lernen - Embeddings - Chunking - Vektor-Datenbanken - Metadaten-Filterung - Re-Ranking - Probleme mit der Retrieval-Qualität - Reduzierung von Halluzinationen - Zitate und Grounding Monat 4: Agents, Tools, Workflows, Evals - Agent-Schleifen - Tool-Auswahl - Zustandsverwaltung - Wiederholungsversuche - wann man KEINE Agents verwendet - mehrstufige Workflows - Evaluations-Harnesses - Metriken für Aufgaben-Erfolg Monat 5: Deployment, Produktdenken und Zuverlässigkeit - FastAPI-Produktionsmuster - Docker - Hintergrund-Jobs - Warteschlangen - Auth + API-Key-Sicherheit - Logging - Observability - Prompt-/Versionsverwaltung - Eval-Dashboards - Kostenüberwachung - Rate-Limits - Caching Monat 6: Spezialisieren und einstellbar werden Wähle eine Richtung und konzentriere dich auf Praxis: Richtung 1: AI-Produktentwickler (LLM-Apps, RAG, Agents, Deployment, Produkt-UX) Richtung 2: Angewandter ML-/LLM-Ingenieur (Fine-Tuning, wann Fine-Tuning vs. Prompting, Evaluation, Inferenz-Optimierung, Open-Source-Modelle, Trainings-Pipelines) Richtung 3: AI-Automatisierungsingenieur (Workflow-Orchestrierung, Geschäftsprozess-Automatisierung, Multi-Tool-Systeme, CRM, Dokumente, E-Mail, Support, Ops-Anwendungsfälle)