MIN114: Architektur und Engineering moderner KI-Systeme

Kernmodule

MIN114: Architektur und Engineering moderner KI-Systeme

Kurzporträt MIN114: Architektur und Engineering moderner KI-Systeme
Worum geht es? Architektur und Engineering moderner KI-Systeme behandelt KI-Anwendungen als zusammengesetzte Softwaresysteme. Die Studierenden entwerfen Workflows, integrieren Modelle, Datenquellen, Wissenskomponenten und Dienste und untersuchen Qualität, Kosten, Latenz, Datenschutz und Betrieb.
Wofür braucht man es? Die Kompetenzen werden für AI Engineering, KI-Produktentwicklung und datenintensive Softwaresysteme benötigt. Sie helfen, KI-Modelle nicht isoliert zu betrachten, sondern zuverlässig in überprüfbare, wartbare und verantwortbare Systemarchitekturen einzubetten.
Wieso ist es interessant? Spannend ist das Modul, weil moderne KI-Systeme oft aus vielen beweglichen Teilen bestehen. Die Herausforderung liegt darin, probabilistische Modelle, Softwaretechnik, Evaluation und menschliche Kontrolle zu einem tragfähigen Gesamtsystem zu verbinden.
Modulverantwortung

Prof. Dr. Christoph Quix

Lehrperson(en)
  • Prof. Dr. Christoph Quix
  • Prof. Dr. Duc Duy Pham
Verwendbarkeit

Master Informatik

Fächergruppe

Informatik

Modultyp
Wahlpflicht
Sprache

Deutsch

Angebot

Sommersemester

Dauer

1 Semester

Credits

5 ECTS

Benotung

Deutsche Notenskala 1-5

SWS

4SL

Workload
Präsenzstudium: 45 Std. Selbststudium: 90 Std.
Engl. Titel

Architecture and Engineering of Modern AI Systems

Empfohlene Voraussetzungen

Die Studierenden sollten über grundlegende Kompetenzen in Machine Learning und Deep Learning verfügen. Empfohlen werden insbesondere Kenntnisse zu generativen KI-Modellen, Transformer-Architekturen und Verfahren zur Bewertung von KI-Modellen sowie praktische Programmierkenntnisse, vorzugsweise in Python. Grundlagen der Softwaretechnik, verteilter Systeme und des Datenmanagements sind für die Bearbeitung der praktischen Aufgaben hilfreich. * Empfohlen ab dem 2. Fachsemester

Lernergebnisse / Kompetenzen
WAS

Mit erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage, eine komplexe, gegebenenfalls multimodale KI-Systemlösung für eine offene Problemstellung eigenständig zu entwickeln und deren Architektur, Verhalten und Qualität anhand technischer und wissenschaftlicher Kriterien begründet zu bewerten.

WOMIT

Die Studierenden erreichen dieses Lernergebnis, indem sie

  • funktionale und nichtfunktionale Anforderungen an KI-basierte Softwaresysteme analysieren und daraus geeignete Systemarchitekturen und Qualitätsziele ableiten,
  • heterogene KI-Modelle, Datenquellen, Wissenskomponenten und klassische Softwaredienste zu einem Gesamtsystem integrieren,
  • mehrstufige KI-Workflows und agentische Systeme mit expliziten Kontrollflüssen, Zuständen und Rollen entwerfen und implementieren,
  • unterschiedliche Verfahren zur Wissens- und Kontextintegration, insbesondere Retrieval- und graph-basierte Ansätze, auswählen und vergleichend untersuchen,
  • Verfahren zur Planung, Aufgabenzerlegung, Ergebnisprüfung und iterativen Verbesserung in kontrollierte Systemabläufe einbetten,
  • Modelle und Systemkomponenten unter Berücksichtigung von Ergebnisqualität, Latenz, Kosten, Ressourcenbedarf, Datenschutz und Betriebsanforderungen auswählen und kombinieren,
  • Testfälle, Evaluationsdatensätze, Metriken und Baselines zur Bewertung einzelner Komponenten und vollständiger Systemabläufe entwickeln sowie Fehler, Unsicherheiten und unerwünschte Verhaltensweisen durch Logging, Tracing, Monitoring und systematische Fehleranalysen untersuchen,
  • aktuelle wissenschaftliche Arbeiten zu modernen KI-Systemen einordnen und darauf aufbauend in einer Gruppe einen ausgewählten Teilaspekt eines modernen KI-Systems implementieren, evaluieren und die Ergebnisse in Form eines wissenschaftlich strukturierten Kurzbeitrags dokumentieren und präsentieren.
WOZU

Die Studierenden nutzen diese Kompetenzen, um komplexe KI-basierte Softwaresysteme für anspruchsvolle Anwendungs- und Forschungsaufgaben fachlich fundiert, zuverlässig und nachvollziehbar zu entwickeln und über ihren Lebenszyklus hinweg zu betreiben.

Inhalte
  • Architekturprinzipien und Entwurfsmuster komplexer KI-Systeme sowie Integration heterogener KI-Modelle, Datenquellen, Wissenskomponenten, Werkzeuge und Softwaredienste
  • Orchestrierung mehrstufiger, zustandsbehafteter und ereignisgesteuerter KI-Workflows sowie agentische und kooperative Systeme mit Rollen, Zielen, Planung und menschlichen Kontrollmechanismen
  • Verfahren für Reasoning, Aufgabenzerlegung, Suche, Verifikation und iterative Ergebnisverbesserung
  • Wissens- und Kontextintegration durch Retrieval, Graphen und Memory-Mechanismen, multimodale KI-Systeme sowie standardisierte Schnittstellen und Protokolle für Kontexte, Werkzeuge und Agenten
  • Modellrouting, Modellkaskaden, Caching, Fallback-Strategien und ressourcenbewusste Systemausführung
  • Test und Evaluation probabilistischer KI-Systeme auf Komponenten-, Integrations- und Systemebene einschließlich Robustheits-, Sicherheits- und Regressionstests
  • Versionierung, Experimentverwaltung, automatisierte Bereitstellung und kontinuierliche Evaluation
  • Deployment, Skalierung, Monitoring, Beobachtbarkeit und Optimierung von Qualität, Latenz, Durchsatz und Ressourcenbedarf
  • Sicherheit, Datenschutz, Zugriffskontrolle, Nachvollziehbarkeit, Auditierbarkeit und verantwortliche Systemgestaltung
  • Analyse aktueller wissenschaftlicher Arbeiten und Entwicklung eigener weiterführender Forschungsfragen

Die konkreten Modelle, Architekturen, Protokolle und Werkzeuge werden entsprechend dem jeweiligen Stand von Wissenschaft und Technik ausgewählt.

Prüfungsvorleistung

Keine angegeben.

Prüfungsleistung

Studien- oder Projektarbeit. Sie wird als Portfolio mit Projektarbeit, schriftlicher Ausarbeitung, Repository, Ergebnispräsentation und Fachgespräch ausgestaltet. Gruppen von drei bis vier Studierenden bearbeiten einen ausgewählten Teilaspekt eines modernen KI-Systems. Im Fachgespräch werden die individuellen Beiträge, das Verständnis der eingesetzten Verfahren sowie die Fähigkeit zur Begründung, Bewertung und Übertragung der getroffenen Architekturentscheidungen geprüft. Die individuellen Leistungen werden zusätzlich anhand der im Portfolio dokumentierten Arbeiten bewertet.

Literatur
  • Huyen, C.: AI Engineering: Building Applications with Foundation Models. O’Reilly Media, 2024.
  • Albada, M.: Building Applications with AI Agents: Designing and Implementing Multiagent Systems. O’Reilly Media, 2025.
  • Lakshmanan, V., Hapke, H.: Generative AI Design Patterns: Solutions to Common Challenges When Building GenAI Agents and Applications. O’Reilly Media, 2025.