Multimodale KI-Systeme – also solche, die Text, Bilder und Audio gemeinsam verarbeiten – definieren die Möglichkeiten der Unternehmenstechnologie neu. In diesem Kurs erwerben Sie die Fähigkeiten, diese leistungsstarken Systeme von Anfang bis Ende zu entwerfen und zu bewerten.

Sie entwickeln durchgängige Lösungsarchitekturen, die Bild-Encoder, Sprach-zu-Text-Dienste und Modelle zur Textgenerierung in einheitliche, produktionsreife Pipelines integrieren. Sie legen fest, wie Daten zwischen den Modalitäten fließen, wie Modelle interagieren und wie sich Systeme unter realen Auslastungsbedingungen skalieren lassen. Außerdem entwickeln Sie das technische und ethische Urteilsvermögen, um Ihre eigenen Entwicklungen zu bewerten. Anhand von branchenüblichen Metriken wie FID, CLIP-Scores, Recall@k und VQA-Genauigkeit beurteilen Sie, wie gut multimodale Modelle abschneiden. Anschließend wenden Sie Techniken zur Überprüfung auf Verzerrungen an – darunter demografische Parität, „Equalized Odds“, LIME und SHAP –, um sicherzustellen, dass Ihre Systeme fair, interpretierbar und für einen verantwortungsvollen Einsatz bereit sind. Dieser Kurs richtet sich an Fachleute aus den Bereichen KI und maschinelles Lernen, die über die Erstellung einzelner Modelle hinausgehen und komplette, ethische KI-Lösungen auf Produktionsniveau entwerfen möchten.