Professionelle KI-Entwicklung für Java-Experten

Nach dieser Schulung können die Teilnehmer eigenständig anspruchsvolle KI-Funktionalitäten mit LLMs in Java-Anwendungen integrieren - inklusive Prompt Engineering, Agentensysteme, Embeddings und RAG-Architekturen -, um professionelle und produktionsfähige Lösungen zu realisieren, die technischen, wirtschaftlichen und rechtlichen Anforderungen gerecht werden.

Aussteller	GFU Cyrus AG
Ausgestellt am	1789732800
Läuft ab	-

Badge-Assertion ist gültig

Badge wurde nicht widerrufen

Badge ist nicht abgelaufen

Überprüfen Sie, ob das Badge an den richtigen Empfänger vergeben wurde, indem Sie seine E-Mail-Adresse eingeben:

Ein weiteres Badge validieren

{"@context":["https://www.w3.org/ns/credentials/v2","https://purl.imsglobal.org/spec/ob/v3p0/context-3.0.3.json","https://purl.imsglobal.org/spec/ob/v3p0/extensions.json"],"id":"https://openbadgefactory.com/obv3/credentials/3138689f223a0cf41a5b75c8a7d2814e9b996427","credentialStatus":{"type":"1EdTechRevocationList","id":"https://openbadgefactory.com/obv3/revoked/TBOOPDa262MWa46I/TLKCI7b27ROBbL"},"validFrom":"2026-09-18T14:07:15Z","type":["VerifiableCredential","OpenBadgeCredential"],"credentialSubject":{"type":["AchievementSubject"],"identifier":[{"salt":"XWdqJtUJJ9","hashed":true,"identityHash":"sha256$b81fa626f548f8c01b3504ad2018eaf4a9575ac9d7921c19a2e3aae278919384","type":"IdentityObject","identityType":"emailAddress"}],"achievement":{"inLanguage":"de","id":"https://openbadgefactory.com/obv3/achievements/TLKCI7b27ROBbL?cid=d00ec1f866e76f6d6c3ffd89014e90e2b1131536dd64706c839db2a9a7336a71&lang=de","image":{"type":"Image","id":"https://openbadgefactory.com/obv3/images/badge/d00ec1f866e76f6d6c3ffd89014e90e2b1131536dd64706c839db2a9a7336a71"},"criteria":{"id":"https://openbadgefactory.com/v1/badge/_/TLKCI7b27ROBbL/criteria.html?v=2.0&c_id=d00ec1f866e76f6d6c3ffd89014e90e2b1131536dd64706c839db2a9a7336a71","narrative":"Nach dieser Schulung können die Teilnehmer eigenständig anspruchsvolle KI-Funktionalitäten mit LLMs in Java-Anwendungen integrieren - inklusive Prompt Engineering, Agentensysteme, Embeddings und RAG-Architekturen -, um professionelle und produktionsfähige Lösungen zu realisieren, die technischen, wirtschaftlichen und rechtlichen Anforderungen gerecht werden.\n\n* **1. Einführung: KI, LLMs und Ihre Java-Anwendungen**\n    * Klärung individueller Lernziele und Erwartungen der Teilnehmer.\n    * Was ist Künstliche Intelligenz (KI) eigentlich? Eine kurze Einordnung.\n    * Large Language Models (LLMs) entmystifiziert: Was steckt dahinter für Java Entwickler?\n    * Kernkonzepte von LLMs aus Entwicklersicht (vereinfacht: Transformer, Attention).\n    * Die Evolution der LLMs und ihr wachsendes Potenzial für die Java-Anwendungsentwicklung.\n    * Typische Anwendungsfälle: Wann und wo ist der Einsatz von LLMs in Java-Projekten sinnvoll?\n    * LLMs im Vergleich zu menschlicher Intelligenz: Stärken, Schwächen und Synergien im Softwarekontext.\n    * Typische Limitierungen und Herausforderungen von LLMs (z.B. Bias, Halluzinationen ein erster Überblick).\n    * Chancen und neue Möglichkeiten durch LLM-gestützte Anwendungen im Java-Ökosystem.\n* **2. LLMs anbinden: Provider, APIs und lokale Optionen für Java**\n    * Überblick über führende LLM-Provider (z.B. OpenAI, Anthropic, Google) und deren Plattformen.\n    * Auswahlkriterien für LLM-Provider in Java-Projekten (Modellperformance, Kosten, Datenprivacy, Java-Kompatibilität).\n    * Verbindungsmethoden zu LLM-Services aus Java-Anwendungen:\n                * Nutzung populärer Java-SDKs (z.B. LangChain4j, konzeptionell Spring AI - Fokus auf Prinzipien, nicht auf ein spezielles Framework).\n                * Direkte API-Nutzung (HTTP-Requests, Authentifizierung, Fehlerbehandlung).\n    * Praktische Nutzung gängiger LLM-APIs mit Java (z.B. Chat Completions).\n    * Self-Hosting von LLMs für Java-Anwendungen:\n                * Optionen, Werkzeuge (z.B. OpenLLM, vLLM, Hugging Face Transformers mit Inference Endpoints) und Überlegungen.\n                * Vor- und Nachteile des lokalen Betriebs (Hardwareanforderungen, Wartung vs. Kontrolle, Datenschutz).\n    * Verständnis von LLM-Modelleigenschaften und deren Einfluss auf die Auswahl\n    * (Architekturen, Fähigkeiten, Limitierungen, Parameter wie Größe und Token-Limits).\n* 3. Effektives Prompt Engineering für Java-Entwickler\n    * Grundprinzipien des effektiven Prompt Designs: Klarheit, Spezifität, Kontext, Rollenzuweisung (Persona).\n    * Das \"Setup\" eines Prompts: Systemnachrichten, Kontextinjektion und Stilvorgaben.\n    * Die \"Instruction\" präzise formulieren: Aufgabenstellung für das LLM.\n    * Iterative Prompt-Entwicklung und Teststrategien im Java-Umfeld.\n    * Fortgeschrittene Prompting-Techniken:\n                * Zero-Shot, One-Shot und Few-Shot Prompting.\n                * Chain-of-Thought (CoT) Prompting zur Lösung komplexer Probleme.\n                * Step Decomposition: Aufgaben in kleinere, handhabbare Schritte zerlegen.\n    * Umgang mit Prompt-Beschränkungen (Token Limits) und dynamischer Kontextualisierung.\n    * Struktur und Formatierung von Prompts für optimale LLM-Verarbeitung (z.B. Delimiter).\n    * Kontextintegration aus Code und Dokumentation für Java-spezifische Aufgaben.\n* 4. Output-Verarbeitung und Function Calling in Java\n    * Anfordern strukturierter LLM-Outputs (z.B. JSON, XML) und deren Verarbeitung in Java.\n    * Strategien zur Validierung, Bereinigung (Sanitization) und zum Mapping von LLM-Antworten auf Java-Datenstrukturen.\n    * LLM Function Calling (Tool Use): Konzept, Anwendungsfälle und Implementierungsmuster in Java.\n                * Definition von aufrufbaren Java-Funktionen/Tools.\n                * Parameterübergabe, Ergebnisverarbeitung und Sicherheitsaspekte bei der\n    * Integration mit Java Business Logic.\n    * Entwurfsmuster für Real-Time LLM-Interaktionen in Java (z.B. Chatbots, virtuelle Assistenten).\n                * Umgang mit Konversationshistorie und Session-Management.\n                * Techniken zur Latenzoptimierung (z.B. Streaming vs. Batching).\n* 5. Fortgeschrittene LLM-Architekturen: RAG und Vektordatenbanken mit Java\n    * Retrieval-Augmented Generation (RAG):\n                * Konzept, Architektur und typische Anwendungsfälle (z.B. Q&A über eigene Dokumente, aktuellere Informationen für LLMs).\n                * Komponenten einer RAG-Pipeline: Datenaufnahme (Ingestion), Aufbereitung (Chunking), Indexierung, Retrieval und Augmentierung der Prompts.\n                * Implementierungsmuster und Best Practices für RAG-Pipelines in Java-Anwendungen (Demonstration mit Spring AI als Beispiel).\n    * Text Embeddings:\n                * Grundlagen: Was sind Embeddings und wie repräsentieren sie semantische\n    * Bedeutung?\n                * Erzeugung von Text Embeddings mit LLMs über Java.\n                * Nutzung von Embeddings in Java für Aufgaben wie semantische Suche, Dokumentenähnlichkeit und Clustering.\n    * Arbeiten mit Vektordatenbanken in Java:\n                * Vorstellung des Konzepts von Vektordatenbanken und deren Java-Anbindung (allgemein).\n                * Speichern, Indexieren und Abfragen von Embedding-Sammlungen mit SQL-ähnlichen Konzepten.\n    * Orchestrierung komplexer LLM-Workflows in Java, die Retrieval, Generierung und Post-Processing kombinieren.\n* **6. Multimodale LLM-Anwendungen mit Java entwickeln**\n    * Einführung in Multimodale KI: Verarbeitung von Text, Audio, Bild und Video durch LLMs.\n    * Potenziale und Herausforderungen multimodaler Anwendungen im Java-Kontext.\n    * Verarbeitung von Bild- und Video-Input in Java:\n                * Grundlegende Techniken zur Vorverarbeitung (z.B. Resizing, Encoding).\n                * Integration mit Java-Bibliotheken für Bild-/Videoverarbeitung (z.B. konzeptionell\n    * OpenCV, JavaCV).\n    * Sprachverarbeitung in Java-Anwendungen:\n                * Integration von Speech-to-Text (STT) Pipelines (Audioaufnahme, Transkription).\n                * Integration von Text-to-Speech (TTS) Lösungen (Sprachsynthese, Stimmanpassung).\n    * Nutzung integrierter multimodaler LLMs aus Java-Anwendungen heraus (allgemeine Konzepte).\n    * Vergleich: Standalone STT/TTS-Lösungen vs. direkt integrierte multimodale LLMs.\n    * Best Practices für die Entwicklung multimodaler Anwendungen in Java\n    * (I/O-Management, Concurrency, UX-Design, Barrierefreiheit).\n* **7. Entwicklung intelligenter Agenten mit Java und LLMs**\n    * Konzepte und Architekturen intelligenter Agenten (autonom, reaktiv, proaktiv, sozial; Typen: reaktiv, deliberativ, kollaborativ, lernend).\n    * Vorstellung von Frameworks und Bibliotheken für die Agenten-Entwicklung mit Java-Unterstützung (Überblick und Auswahlkriterien).\n    * Design und Implementierung LLM-basierter Agenten in Java:\n                * State Management und Gedächtnis (Kurzzeit, Langzeit).\n                * Prompt Engineering für Agenten-Aufgaben und Multi-Step Reasoning.\n                * Nutzung von Function Calling für Tool-Interaktion.\n                * Antwortvalidierung und Ergebnisverarbeitung.\n    * Model Context Protocol (MCP):\n                * Einführung in das MCP als Standard für Tool- und Datenintegration.\n                * Entwicklung eines eigenen MCP-Servers in Java (Beispiel).\n                * Clientseitige MCP-Integration in Java-Agenten zum Einbinden des eigenen Servers (Beispiel).\n    * Grundlagen der Agent-to-Agent Kommunikation und Multi-Agenten-Systeme (MAS):\n                * Kommunikationsparadigmen (z.B. Peer-to-Peer, Publish/Subscribe).\n                * Überblick über Standardprotokoll-Konzepte.\n                * Koordinationsstrategien in MAS.\n    * Skalierbarkeits- und Managementaspekte für Java-Agenten (Threading, Ressourcen).\n* 8. Betrieb und Optimierung von LLM-Anwendungen in Java\n    * Performance Tuning für LLM-basierte Java-Anwendungen:\n                * Techniken zur Reduktion von Inferenzlatenz (konzeptionell).\n                * Strategien zur Optimierung von Durchsatz und Speichernutzung (konzeptionell).\n    * Kostenmanagement und -optimierung:\n                * Strategien zur Kostenreduktion bei LLM-Nutzung (Modellauswahl, Prompt-Optimierung, Caching).\n                * Framework zur Berechnung und Schätzung von Kosten für LLM-Inferenz und -Deployment.\n    * Modell Fine-Tuning für spezifische Java-Anwendungsfälle:\n                * Grundlagen: Wann ist Fine-Tuning sinnvoll?\n                * Überblick über den Fine-Tuning-Prozess (Datenvorbereitung, Training, Evaluation - ohne tiefgehende ML-Kenntnisse).\n                * Parameter-effiziente Fine-Tuning Methoden (z.B. LoRA - konzeptionell).\n    * Umgang mit API Rate Limits und Quotas von LLM-Providern.\n    * Strategien zur Orchestrierung von LLM-Aufrufen und komplexen Workflows.\n    * Konzepte zur Multi-Provider-Nutzung (z.B. für Failover, Kostenoptimierung).\n    * Logging und Monitoring von LLM-Interaktionen und Performance in Java-Anwendungen.\n* 9. Herausforderungen, Sicherheit und Integration in bestehende\n    * Java-Systeme\n    * Umgang mit typischen LLM-Herausforderungen:\n                * Erkennen und Mitigieren von Halluzinationen und Bias.\n                * Strategien zum Umgang mit veraltetem Wissen der Modelle.\n    * Robuste Fehlerbehandlung in LLM-basierten Java-Anwendungen:\n                * Identifizierung und Kategorisierung gängiger LLM-Fehlermodi.\n                * Implementierung von Retry-Mechanismen und Fallback-Strategien.\n    * LLM-spezifische Sicherheitsrisiken und Gegenmaßnahmen in Java:\n                * Prompt Injection: Angriffsvektoren und Verteidigungsstrategien.\n                * Schutz vor Data Poisoning und Model Theft (konzeptionell).\n                * Input-Validierung und Sanitization zur Absicherung von LLM-Interaktionen.\n                * Content Moderation und Output-Filterung zur Einhaltung von Richtlinien.\n    * Architekturmuster und Best Practices für die Integration von LLM-Funktionen in bestehende Java-Enterprise-Systeme.\n* 10. Recht, Compliance, Testing und Ausblick für LLM-Anwendungen in Java\n    * Rechtliche Rahmenbedingungen:\n                * Der EU AI Act: Relevanz, Risikoklassen und Anforderungen für die Entwicklung von LLM-Anwendungen in Java.\n                * DSGVO-Compliance: Datenschutzaspekte bei der Verarbeitung von (potenziell) personenbezogenen Daten mit LLMs in Java-Anwendungen.\n    * Testing und Evaluierung von LLM-basierten Java-Systemen:\n                * Methoden und Strategien zur Überprüfung von Genauigkeit, Kohärenz, Bias und Sicherheit der LLM-Outputs.\n                * Ansätze für Regressionstests und Integrationstests im Java-Kontext.\n    * Abgrenzung der Schulung (Zusammenfassung der Alleinstellungsmerkmale und des Fokus).\n    * Zukünftige Entwicklungen und Trends im Bereich LLMs und Java-Anwendungsentwicklung.\n    * Ethische Überlegungen und verantwortungsvoller Umgang mit LLM-Technologie.\n    * Raum für praktische Übungen und Projekte (z.B. Entwicklung eines RAG-basierten Chatbots, Implementierung eines Agenten, Testen einer LLM-Integration - je nach Zeit und Teilnehmerinteresse).\n    * Abschlussdiskussion, Feedback und nächste Schritte für die Teilnehmer."},"type":["Achievement"],"name":"Professionelle KI-Entwicklung für Java-Experten","description":"Nach dieser Schulung können die Teilnehmer eigenständig anspruchsvolle KI-Funktionalitäten mit LLMs in Java-Anwendungen integrieren - inklusive Prompt Engineering, Agentensysteme, Embeddings und RAG-Architekturen -, um professionelle und produktionsfähige Lösungen zu realisieren, die technischen, wirtschaftlichen und rechtlichen Anforderungen gerecht werden."}},"proof":[{"proofValue":"z2ydxrE2Hwrp2NJXMYx5rfa946n4h9g9EJ8dwFFGpuusrBSR1p1iqMAJR1kBqGq6RAyDboUxUUhoBEbw5fjc6RXwY","created":"2026-09-18T14:07:17Z","proofPurpose":"assertionMethod","cryptosuite":"eddsa-rdfc-2022","type":"DataIntegrityProof","verificationMethod":"did:key:z6MknGduFfBHeKCMMsy6oAkrVvD7KLQ3V8NFBdQ4ej4sZxBa#z6MknGduFfBHeKCMMsy6oAkrVvD7KLQ3V8NFBdQ4ej4sZxBa"}],"endorsement":[],"awardedDate":"2026-09-18T14:07:15Z","issuer":{"email":"info@gfu.net","description":"**GFU Cyrus AG — bildet weiter.**\r\n\r\nBereits 1980 als GFU Cyrus + Rölke mbH gegründet, zählt die GFU heute zu den renommiertesten IT-Schulungsunternehmen in Deutschland. Jedes Jahr besuchen mehrere tausend IT-Fachleute aus der gesamten Bundesrepublik unsere Seminare — in über 45 Jahren sind daraus mehr als 38.000 durchgeführte IT-Schulungen geworden.\r\n\r\n**Unser Programm**\r\n\r\nMit über 4.250 Schulungsthemen decken wir das gesamte IT-Spektrum ab: von Administration über Softwareentwicklung, Datenbanken, Data Science und KI bis hin zu Cloud, Security und Betriebssystemen. Rund 50 Dozentinnen und Dozenten aus den verschiedensten IT-Bereichen stehen dafür mit einem außergewöhnlichen Maß an Fachkompetenz bereit — dieses Know-how bieten wir auch für Projektarbeit und Coaching an.\r\n\r\n**Unser Anspruch**\r\n\r\nOb offenes Seminar, Firmenschulung oder Individualschulung: Unsere Teilnehmenden genießen den Rundum-Service der GFU — von der Anreise bis zur Abreise. Kleine Lerngruppen, hochqualifizierte Trainer und Fachbuchautoren, die auf individuelle Fragen eingehen, regelmäßige Pausen, gute Verpflegung und hochwertige 86\"-Schulungs-Screens sind für uns selbstverständlich.\r\n\r\n**Maßgeschneiderte Weiterbildung**\r\n\r\nSie wissen nicht, welches Thema zu Ihnen passt? Wie beim Maßschneider stellen wir gemeinsam mit Ihnen Ihr individuelles Schulungspaket zusammen — damit Ihre Weiterbildung auch nach Jahren noch perfekt sitzt.\r\n\r\n**Unsere Kunden**\r\n\r\nZu unseren Kunden zählen Banken, Versicherungen, Handelskonzerne, Industrieunternehmen, Kommunen und öffentliche Einrichtungen aus dem gesamten deutschsprachigen Raum.\r\n\r\n**Digitale Nachweise mit OpenBadges**\r\n\r\nMit der Ausstellung digitaler Badges über die OpenBadgeFactory machen wir erworbene Kompetenzen unserer Teilnehmenden sichtbar, verifizierbar und teilbar — ein weiterer Baustein, mit dem die GFU IT-Professionals auf ihrem Weg weiterbildet.\r\n\r\n[www.gfu.net](https://www.gfu.net)\r\n\r\nSeminarkatalog: [www.gfu.net/seminare.html](https://www.gfu.net/seminare.html)","name":"GFU Cyrus AG","type":["Profile"],"image":{"id":"https://openbadgefactory.com/obv3/images/issuer/TBOOPDa262MWa46I","type":"Image"},"url":"https://www.gfu.net/","id":"did:key:z6MknGduFfBHeKCMMsy6oAkrVvD7KLQ3V8NFBdQ4ej4sZxBa","otherIdentifier":[{"identifierType":"systemId","identifier":"TBOOPDa262MWa46I","type":"IdentifierEntry"}]}}