Merge pull request #21 from isaqb-org/Reduzierung-LZs,-Doopplungen-u.…

…-Konsinstenz-Begriffe

Korrekturen Issues #19 und #20: Reduzierung LZs, Doopplungen u. Konsinstenz der Begriffe KI/AI

.vscode/launch.json

@@ -0,0 +1,20 @@
+{
+    // Use IntelliSense to learn about possible attributes.
+    // Hover to view descriptions of existing attributes.
+    // For more information, visit: https://go.microsoft.com/fwlink/?linkid=830387
+    "version": "0.2.0",
+    "configurations": [
+
+        {
+            "type": "jdk",
+            "request": "launch",
+            "name": "Launch Java App"
+        },
+        {
+            "name": "Launch Java: Continuous Mode",
+            "type": "jdk",
+            "request": "launch",
+            "launchConfiguration": "Continuous Mode"
+        }
+    ]
+}

docs/01-module-block-1/02-learning-goals.adoc

@@ -3,9 +3,9 @@
 // tag::DE[]
 
 [[LZ-1-1]]
-==== LZ 1-1: Künstliche Intelligenz und Machine Learning, Data Science, Deep Learning, Generative AI einordnen können
+==== LZ 1-1: Künstliche Intelligenz und Machine Learning, Data Science, Deep Learning, Generative KI einordnen können
 
-Die Teilnehmer:innen wissen, wie man Künstliche Intelligenz definiert und wie Machine Learning, Data Science, Deep Learning, Generative AI darin eingeordnet werden.
+Die Teilnehmer:innen wissen, wie man Künstliche Intelligenz definiert und wie Machine Learning, Data Science, Deep Learning, Generative KI darin eingeordnet werden.
 
 [[LZ-1-2]]
 ==== LZ 1-2: Typische allgemeine Anwendungsfälle für KI spezifizieren
@@ -42,7 +42,7 @@ Die Teilnehmer:innen verstehen die Unterschiede von KI-Systemen zu traditionelle
 * Modellkomplexität und Interpretierbarkeit: ML-Modelle, insbesondere Deep-Learning-Modelle, können äußerst komplex sein. Der „Black-Box“-Charakter erschwert die Interpretierbarkeit und Erklärbarkeit.
 * Debugging und Tests sind aufgrund des Nichtdeterminismus komplexer.
 * Model Decay: Continuous monitoring und Retraining sind notwendig, um die Leistung der Modelle aufrechtzuerhalten.
-* AI-spezifische Regulatorik von Branchen und auf EU-Ebene müssen berücksichtigt werden.
+* KI-spezifische Regulatorik von Branchen und auf EU-Ebene müssen berücksichtigt werden.
 * Interoperabilität: Nahtlose Integration in bestehende Systeme und Technologiestacks.
 
 [[LZ-1-6]]

docs/02-module-block-2/02-learning-goals.adoc

@@ -68,9 +68,9 @@ Die Teilnehmer:innen kennen mögliche Fallstricke hinsichtlich Security sowie ty
 
 
 [[LZ-2-9]]
-==== LZ 2-9: Strategien zur AI-Risikominimierung kennen und anwenden
+==== LZ 2-9: Strategien zur KI-Risikominimierung kennen und anwenden
 
-Die Teilnehmer:innen wissen, wie Strategien zur AI-Risikominimierung entwickelt und angewendet werden können. Insbesondere kennen die Teilnehmer:innen die folgenden Strategien:
+Die Teilnehmer:innen wissen, wie Strategien zur KI-Risikominimierung entwickelt und angewendet werden können. Insbesondere kennen die Teilnehmer:innen die folgenden Strategien:
 
 * Stärkung der Robustheit durch umfangreiche Tests
 * Fehlertolerante KI-Systeme

docs/03-module-block-3/00-structure.adoc

@@ -3,7 +3,7 @@
 // ====================================================
 
 // tag::DE[]
-== Architektur von KI-Systemen
+== Entwurf und Entwicklung von KI-Systemen
 // end::DE[]
 
 // tag::EN[]

docs/03-module-block-3/02-learning-goals.adoc

@@ -26,17 +26,13 @@ Die Teilnehmer:innen kennen typische Vorgehensmodelle für die Softwareentwicklu
 * GenAI Life Cycle.
 
 [[LZ-3-3]]
-==== LZ 3-3: Arten von Daten und typische ML-Probleme kennen
+==== LZ 3-3: Arten von sowie Anforderungen an Daten und typische ML-Probleme kennen
 
-Die Teilnehmer:innen kennen verschiedene Arten von Daten und typische ML-Probleme sowie Anwendungsfälle.
+Die Teilnehmer:innen kennen verschiedene Arten von Daten und typische ML-Probleme sowie Anwendungsfälle für die Nutzung der Daten. Darüber hinaus haben
+die Teilnehmer:innen ein Verständnis für verschiedene Anforderungen an die Daten, z.{nbsp}B. Vorhandensein von korrekten Labels verschiedener Art. 
 
 [[LZ-3-4]]
-==== LZ 3-4: Anforderungen an Daten für ML kennen
-
-Die Teilnehmer:innen haben ein Verständnis für verschiedene Anforderungen an die Daten, z.{nbsp}B. Vorhandensein von Labels verschiedener Art.
-
-[[LZ-3-5]]
-==== LZ 3-5: Machine Learning Problemstellungen und deren Anforderungen verstehen
+==== LZ 3-4: Machine Learning Problemstellungen und deren Anforderungen verstehen
 
 Die Teilnehmer:innen verstehen die verschiedenen Machine Learning Problemstellungen wie beispielsweise
 
@@ -46,32 +42,31 @@ Die Teilnehmer:innen verstehen die verschiedenen Machine Learning Problemstellun
 
 und wissen, welche Anforderungen diese haben.
 
-[[LZ-3-6]]
-==== LZ 3-6: Validierung und typische Datenaufteilung verstehen
-
-Die Teilnehmer:innen haben ein gutes Verständnis für die Notwendigkeit von Validierung und Kenntnis der typischen Datenaufteilung in Trainings-, Validierungs- und Testdaten.
-
-[[LZ-3-7]]
-==== LZ 3-7: Input-Daten für verschiedene KI-Algorithmen einordnen
+[[LZ-3-5]]
+==== LZ 3-5: Input Daten für verschiedene KI-Algorithmen nutzen
 
-Die Teilnehmer:innen haben ein gutes Verständnis für Input-Daten für verschiedene KI-Algorithmen wie beispielsweise
+Die Teilnehmer:innen wissen welche Daten für KI-Algorithmen benötigt werden und haben ein gutes Verständnis für die Notwendigkeit von Validierung und Kenntnis der typischen Datenaufteilung in Trainings-, Validierungs- und Testdaten. Außerdem haben die Teilnehmer:innen ein gutes Verständnis der Input-Daten, die für verschiedene KI-Algorithmen wie beispielsweise
 
 * Neuronale Netze als numerische Vektoren und Matrizen bzw. Tensoren
 * One-Hot-Encodings
 * Embeddings
 
-[[LZ-3-8]]
-==== LZ 3-8: Mit Herausforderungen wie Nicht-Determinismus, Datenqualität und Concept- und Modell-Drift umgehen
+benötigt werden.
+
+
+[[LZ-3-6]]
+==== LZ 3-6: Mit Herausforderungen wie Nicht-Determinismus, Datenqualität und Concept- und Modell-Drift umgehen
 
 Die Teilnehmer:innen verstehen, wie man mit Herausforderungen wie Nicht-Determinismus, Datenqualität und Concept- und Modell-Drift umgeht.
 
-[[LZ-3-9]]
-==== LZ 3-9: Transfer-Learning bzw. Fine-Tuning kennen
+[[LZ-3-7]]
+==== LZ 3-7: Transfer-Learning bzw. Fine-Tuning kennen
 
 Die Teilnehmer:innen kennen Transfer-Learning bzw. Fine-Tuning als Möglichkeit, um die vortrainierten Basismodelle auf bestehende Anwendungsfälle zu adoptieren.
 
-[[LZ-3-10]]
-==== LZ 3-10: Design Patterns für KI-Systeme auswählen
+
+[[LZ-3-8]]
+==== LZ 3-8: Design Patterns für KI-Systeme auswählen
 
 Die Teilnehmer:innen wissen, welche Design Patterns für KI-Systeme existieren und wie man passende Patterns auswählt. Das betrifft die folgenden Design Patterns:
 
@@ -81,20 +76,20 @@ Die Teilnehmer:innen wissen, welche Design Patterns für KI-Systeme existieren u
 * Model Serving Patterns
 * Model Deployment Patterns
 
-[[LZ-3-11]]
-==== LZ 3-11: Aufgabe eines ML-Modells definieren
+[[LZ-3-9]]
+==== LZ 3-9: Aufgabe eines ML-Modells definieren
 
 Die Teilnehmer:innen wissen, wie man die Anwendungsfälle / Aufgaben eines ML-Modells definiert, wie beispielsweise die
 Klassifikation von Bildern oder die Erkennung von Betrug.
 
 
-[[LZ-3-12]]
-==== LZ 3-12: Eingaben und Ausgaben für das Funktionieren eines ML-Systems verstehen und spezifizieren
+[[LZ-3-10]]
+==== LZ 3-10: Eingaben und Ausgaben für das Funktionieren eines ML-Systems verstehen und spezifizieren
 
 Die Teilnehmer:innen verstehen, welche Eingaben und Ausgaben für das Funktionieren eines ML-Systems erforderlich sind und können diese spezifizieren.
 
-[[LZ-3-13]]
-==== LZ 3-13: Metriken zur Messung der Performance von ML-Modellen kennen
+[[LZ-3-11]]
+==== LZ 3-11: Metriken zur Messung der Performance von ML-Modellen kennen
 
 Die Teilnehmer:innen kennen verschiedene Metriken zur Messung der Performance von ML-Modellen wie beispielsweise:
 
@@ -104,70 +99,65 @@ Die Teilnehmer:innen kennen verschiedene Metriken zur Messung der Performance vo
 
 und wissen, wie man Bewertungskriterien zur Leistungsbeurteilung festlegt.
 
-[[LZ-3-14]]
-==== LZ 3-14: ML-Modelle in bestehende Systeme integrieren
+[[LZ-3-12]]
+==== LZ 3-12: ML-Modelle in bestehende Systeme integrieren
 
 Die Teilnehmer:innen verstehen, wie ML-Modelle in bestehende Systeme integriert werden können und kennen die Schnittstellen und Integrationspunkte.
 
-[[LZ-3-15]]
-==== LZ 3-15: Benutzeroberflächen für KI-Systeme gestalten
+[[LZ-3-13]]
+==== LZ 3-13: Benutzeroberflächen für KI-Systeme gestalten
 
 Die Teilnehmer:innen wissen, wie Benutzeroberflächen gestaltet werden sollten, um effektive Interaktionen mit dem ML-System zu ermöglichen und die Benutzererfahrung zu optimieren.
 
-[[LZ-3-16]]
-==== LZ 3-16: Leistungskennzahlen wie Latenz und Durchsatz in KI-Systemen verstehen
+[[LZ-3-14]]
+==== LZ 3-14: Leistungskennzahlen wie Latenz und Durchsatz in KI-Systemen verstehen
 
 Die Teilnehmer:innen verstehen die Bedeutung von Leistungskennzahlen wie Latenz und Durchsatz in KI-Systemen und wissen,
 wie diese optimiert werden können.
 
-[[LZ-3-17]]
-==== LZ 3-17: Mit Skalierbarkeit auf erhöhten Datenmengen umgehen
+[[LZ-3-15]]
+==== LZ 3-15: Mit Skalierbarkeit auf erhöhten Datenmengen umgehen
 
 Die Teilnehmer:innen verstehen die Bedeutung der Skalierbarkeit auf erhöhte Datenmengen und wissen,
 wie man KI-Systeme entwickelt, die mit steigenden Datenvolumen umgehen können, ohne an Leistung zu verlieren.
 
-[[LZ-3-18]]
-==== LZ 3-18: Robustheit in KI-Systemen verstehen und Strategien zur Erhöhung der Robustheit anwenden
+[[LZ-3-16]]
+==== LZ 3-16: Robustheit in KI-Systemen verstehen und Strategien zur Erhöhung der Robustheit anwenden
 
 Die Teilnehmer:innen haben ein Verständnis davon, was Robustheit in KI-Systemen bedeutet,
 und können Strategien zur Erhöhung der Robustheit in verschiedenen Anwendungskontexten anwenden.
 
 
-[[LZ-3-19]]
-==== LZ 3-19: Zuverlässigkeit und Verfügbarkeit von KI-Systemen einordnen
+[[LZ-3-17]]
+==== LZ 3-17: Zuverlässigkeit und Verfügbarkeit von KI-Systemen einordnen
 
 Die Teilnehmer:innen verstehen die Konzepte der Zuverlässigkeit und Verfügbarkeit und wissen, wie sie KI-Systeme bauen, die stabil und konstant verfügbar sind.
 
-[[LZ-3-20]]
-==== LZ 3-20: Reproduzierbarkeit und Prüfbarkeit von KI-Ergebnisse verstehen
+[[LZ-3-18]]
+==== LZ 3-18: Reproduzierbarkeit und Prüfbarkeit von KI-Ergebnisse verstehen
 
 Die Teilnehmer:innen wissen, wie wichtig es ist, dass KI-Ergebnisse reproduzierbar und prüfbar sind, und wissen, welche Methoden zur Sicherstellung dieser Eigenschaften eingesetzt werden können.
 
-[[LZ-3-21]]
-==== LZ 3-21: Anforderungen an Sicherheit, Datenschutz und Compliance kennen
+[[LZ-3-19]]
+==== LZ 3-19: Anforderungen an Sicherheit, Datenschutz und Compliance kennen
 
 Die Teilnehmer:innen kennen die Anforderungen an Sicherheit, Datenschutz und Compliance und wissen, wie diese in KI-Systemen umgesetzt werden.
 
-[[LZ-3-22]]
-==== LZ 3-22: Effiziente KI-Modelle und -Systeme entwerfen
-
-Die Teilnehmer:innen wissen, wie man KI-Modelle und -Systeme entwickelt, die ressourcenschonend arbeiten,
-indem sie Speicher, Rechenleistung und Speicherplatz effizient nutzen.
 
-[[LZ-3-23]]
-==== LZ 3-23: Erklärbarkeit und Interpretierbarkeit in KI-Systemen einordnen
+[[LZ-3-20]]
+==== LZ 3-20: Erklärbarkeit und Interpretierbarkeit in KI-Systemen einordnen
 
 Die Teilnehmer:innen verstehen die Bedeutung von Erklärbarkeit und Interpretierbarkeit in KI-Systemen und wissen,
 wie man diese sicherstellen kann, um Vertrauen und Transparenz zu fördern.
 
 
-[[LZ-3-24]]
-==== LZ 3-24: Bias in Daten und Modellen erkennen
+[[LZ-3-21]]
+==== LZ 3-21: Bias in Daten und Modellen erkennen
 
 Die Teilnehmer:innen wissen, wie Bias in Daten und Modellen erkannt und reduziert werden können, um Fairness und Gleichbehandlung in KI-Anwendungen sicherzustellen.
 
-[[LZ-3-25]]
-==== LZ 3-25: Fehlertoleranz in KI-Systemen kennen
+[[LZ-3-22]]
+==== LZ 3-22: Fehlertoleranz in KI-Systemen kennen
 
 Die Teilnehmer:innen kennen die Konzepte der Fehlertoleranz und können erläutern, wie KI-Systeme trotz Fehlern oder Störungen funktionsfähig bleiben.
 

docs/05-module-block-5/00-structure.adoc

@@ -3,7 +3,7 @@
 // ====================================================
 
 // tag::DE[]
-== Skalierbarkeit und Leistungsoptimierung von KI-Systemen
+== Wichtige Qualitätsmerkmale für den Betrieb von KI-Systemen
 // end::DE[]
 
 // tag::EN[]

docs/05-module-block-5/01-duration-terms.adoc

@@ -4,7 +4,7 @@
 |===
 
 === Begriffe und Konzepte
-Monitoring, Logging, Feedback, FinOps für KI-Plattformen
+Qualitätsmerkmale, Skalierbarkeit, Leistungsoptimierung, Monitoring, Logging, Feedback, FinOps für KI-Plattformen
 
 // end::DE[]
 

docs/05-module-block-5/02-learning-goals.adoc

@@ -28,7 +28,7 @@ einzutauschen. Insbesondere kennen die Teilnehmer:innen die folgenden Techniken:
 [[LZ-5-4]]
 ==== LZ 5-4: Kosten, Stromverbrauch und nachhaltige Nutzung von KI (Green IT) verstehen
 
-Die Teilnehmer:innen erlangen ein Verständnis für Kosten, Stromverbrauch und nachhaltige Nutzung von KI (Green IT).
+Die Teilnehmer:innen erlangen ein Verständnis für Kosten, Stromverbrauch und nachhaltige Nutzung von KI (Green IT). Insbesondere wissen die Teilnehmer:innen, wie man KI-Modelle und -Systeme entwickelt, die ressourcenschonend arbeiten, indem sie Speicher, Rechenleistung und Speicherplatz effizient nutzen.
 
 [[LZ-5-5]]
 ==== LZ 5-5: MLOps für die Automatisierung des Life-Cycles eines Data-Science-Projekts überblicken