Dieses Modul befasst sich eingehend mit den technischen Grundlagen zuverlässiger, LLM-gestützter Anwendungen – der API- und der Middleware-Ebene. Die Teilnehmer lernen, wie sie eine effektive Anbindung an LLM-APIs herstellen können, indem sie Ratenbegrenzungen, Wiederholungsversuche bei Anfragen, Caching und die Steuerung der Token-Kosten implementieren. Der Schwerpunkt liegt darauf, LLM-Aufrufe unter produktionsnahen Bedingungen stabil, skalierbar und kosteneffizient zu gestalten. Praxisnahe Muster werden anhand von Beispielen in Python oder Node.js veranschaulicht. Das Modul schließt mit einer praktischen Demo ab, in der ein Backend-Dienst erstellt wird, der robust mit der OpenAI-API interagiert und so auch bei hoher Nutzerauslastung eine konsistente Leistung und vorhersehbare Kosten gewährleistet.

Dieses Modul schlägt eine Brücke zwischen technischem Design und Benutzererfahrung – und zeigt, wie die Benutzeroberfläche die Effektivität des Modells direkt beeinflusst. Die Lernenden erfahren, wie durchdachte UI-Elemente wie Klarstellungsaufforderungen, Feedback-Schieberegler und Darstellungen der Schlussfolgerungen ein statisches LLM in ein adaptives, nutzerzentriertes System verwandeln. Die Lektion untersucht bewährte UX-Muster für Chatbots, Textgenerierungstools und intelligente Suchassistenten und hebt hervor, wie „Human-in-the-Loop“-Feedback sowohl die Genauigkeit als auch die Vertrauenswürdigkeit des Modells verbessert. Die Demo führt die Lernenden durch die Erstellung eines minimalistischen, React-basierten Frontends, das eine Verbindung zum zuvor erstellten Backend herstellt, Antworten dynamisch visualisiert und Live-Feedback von Nutzern zur iterativen Modellverbesserung einbezieht. Dieses Modul legt den Schwerpunkt auf menschenzentriertes Interaktionsdesign und adaptive UI-Muster, die kontinuierliches Modelllernen und ein gesteigertes Nutzervertrauen ermöglichen.