Computer, lokale AI und Game Development

2. Anwenden

Im Support begegnet dir Computer-Hardware: CPU, RAM, Storage, GPU als Teil eines realen Arbeitsablaufs: Anfrage aufnehmen, Risiko einschaetzen, Fakten prüfen, Ergebnis dokumentieren.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Was ist der kleinste testbare Prototyp?

  Der kleinste testbare Prototyp ist die simpelste Version, mit der du eine Annahme prüfen kannst. Du baust nur so viel, dass sichtbar wird, ob der Kern funktioniert, bevor du Zeit in Details steckst.
• Welche Eingabe verändert welchen Zustand?

  Gemeint ist: Welche konkrete Nutzeraktion, Datei, Anfrage oder Messung verändert welchen Zustand im System? Benenne Eingabe, Verarbeitung, Ergebnis und sichtbares Feedback getrennt.
• Wie merkt der Spieler oder Nutzer, dass etwas funktioniert?

  Der Nutzer erkennt Funktion daran, dass eine erwartete Rückmeldung erscheint: Bild, Ton, Status, gespeicherte Änderung, Fehlermeldung, Messwert oder reproduzierbares Verhalten.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Computer-Hardware: CPU, RAM, Storage, GPU nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Computer-Hardware: CPU, RAM, Storage, GPU in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Dieser Begriff ist ein Einstiegspunkt und setzt nur Grundverständnis sowie sauberes Lesen voraus.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: CPU, RAM, SSD (Solid State Drive).

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Computer-Hardware: CPU, RAM, Storage, GPU heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Tickets enthalten Lösungsversuche, aber keine Faktenlage, Repro-Schritte oder klare Auswirkung.
• First Level versucht zu lange allein zu lösen, statt sauber zu eskalieren.
• Sicherheitsprüfungen werden aus Zeitdruck übersprungen, besonders bei Passwort, MFA und Remote-Zugriff.
• Symptome werden beseitigt, aber Ursache, Workaround und Dokumentation bleiben offen.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Im Support begegnet dir Terminal, Shell und CLI als Teil eines realen Arbeitsablaufs: Anfrage aufnehmen, Risiko einschaetzen, Fakten prüfen, Ergebnis dokumentieren.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Was ist der kleinste testbare Prototyp?

  Der kleinste testbare Prototyp ist die simpelste Version, mit der du eine Annahme prüfen kannst. Du baust nur so viel, dass sichtbar wird, ob der Kern funktioniert, bevor du Zeit in Details steckst.
• Welche Eingabe verändert welchen Zustand?

  Gemeint ist: Welche konkrete Nutzeraktion, Datei, Anfrage oder Messung verändert welchen Zustand im System? Benenne Eingabe, Verarbeitung, Ergebnis und sichtbares Feedback getrennt.
• Wie merkt der Spieler oder Nutzer, dass etwas funktioniert?

  Der Nutzer erkennt Funktion daran, dass eine erwartete Rückmeldung erscheint: Bild, Ton, Status, gespeicherte Änderung, Fehlermeldung, Messwert oder reproduzierbares Verhalten.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Terminal, Shell und CLI nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Terminal, Shell und CLI in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Dieser Begriff ist ein Einstiegspunkt und setzt nur Grundverständnis sowie sauberes Lesen voraus.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: PowerShell.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Terminal, Shell und CLI heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Tickets enthalten Lösungsversuche, aber keine Faktenlage, Repro-Schritte oder klare Auswirkung.
• First Level versucht zu lange allein zu lösen, statt sauber zu eskalieren.
• Sicherheitsprüfungen werden aus Zeitdruck übersprungen, besonders bei Passwort, MFA und Remote-Zugriff.
• Symptome werden beseitigt, aber Ursache, Workaround und Dokumentation bleiben offen.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du willst interne Notizen auswerten, ohne sie an einen Cloud-Dienst zu senden. Lokale AI verschiebt Verantwortung, Hardwarebedarf und Datenschutz zu dir.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du willst interne Notizen auswerten, ohne sie an einen Cloud-Dienst zu senden. Lokale AI verschiebt Verantwortung, Hardwarebedarf und Datenschutz zu dir.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du willst interne Notizen auswerten, ohne sie an einen Cloud-Dienst zu senden. Lokale AI verschiebt Verantwortung, Hardwarebedarf und Datenschutz zu dir.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du willst interne Notizen auswerten, ohne sie an einen Cloud-Dienst zu senden. Lokale AI verschiebt Verantwortung, Hardwarebedarf und Datenschutz zu dir.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Lokale AI Grundlagen nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Lokale AI Grundlagen in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Dieser Begriff ist ein Einstiegspunkt und setzt nur Grundverständnis sowie sauberes Lesen voraus.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: LLM-Grundlagen, AI-Hardware für lokale Modelle.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Lokale AI Grundlagen heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du prüfst LLM-Grundlagen immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst LLM-Grundlagen immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst LLM-Grundlagen immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst LLM-Grundlagen immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, LLM-Grundlagen nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird LLM-Grundlagen in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Dieser Begriff ist ein Einstiegspunkt und setzt nur Grundverständnis sowie sauberes Lesen voraus.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Token, Prompt Design (Engineering), Lokale AI Grundlagen.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei LLM-Grundlagen heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du prüfst AI-Hardware für lokale Modelle immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst AI-Hardware für lokale Modelle immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst AI-Hardware für lokale Modelle immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst AI-Hardware für lokale Modelle immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, AI-Hardware für lokale Modelle nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird AI-Hardware für lokale Modelle in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du Computer-Hardware: CPU, RAM, Storage, GPU verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: RAM, Quantisierung lokaler Modelle.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei AI-Hardware für lokale Modelle heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du prüfst Quantisierung lokaler Modelle immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Quantisierung lokaler Modelle immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Quantisierung lokaler Modelle immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Quantisierung lokaler Modelle immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Quantisierung lokaler Modelle nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Quantisierung lokaler Modelle in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du LLM-Grundlagen verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: AI-Hardware für lokale Modelle, LLM-Grundlagen.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Quantisierung lokaler Modelle heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du startest ein lokales Modell per CLI und bindest es später über eine lokale API in ein Tool oder Script ein.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du startest ein lokales Modell per CLI und bindest es später über eine lokale API in ein Tool oder Script ein.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du startest ein lokales Modell per CLI und bindest es später über eine lokale API in ein Tool oder Script ein.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du startest ein lokales Modell per CLI und bindest es später über eine lokale API in ein Tool oder Script ein.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Ollama nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Ollama in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du Lokale AI Grundlagen verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Lokale AI Grundlagen, llama.cpp.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Ollama heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du testest verschiedene Modelle in einer Desktop-App, vergleichst Speicherbedarf, Antwortqualität und lokale Server-Funktion.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du testest verschiedene Modelle in einer Desktop-App, vergleichst Speicherbedarf, Antwortqualität und lokale Server-Funktion.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du testest verschiedene Modelle in einer Desktop-App, vergleichst Speicherbedarf, Antwortqualität und lokale Server-Funktion.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du testest verschiedene Modelle in einer Desktop-App, vergleichst Speicherbedarf, Antwortqualität und lokale Server-Funktion.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, LM Studio nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird LM Studio in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du Lokale AI Grundlagen verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Lokale AI Grundlagen, LLM-Grundlagen.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei LM Studio heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du brauchst maximale Kontrolle über lokale Inference, Quantisierung und Hardware-Backends, statt nur eine fertige App zu nutzen.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du brauchst maximale Kontrolle über lokale Inference, Quantisierung und Hardware-Backends, statt nur eine fertige App zu nutzen.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du brauchst maximale Kontrolle über lokale Inference, Quantisierung und Hardware-Backends, statt nur eine fertige App zu nutzen.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du brauchst maximale Kontrolle über lokale Inference, Quantisierung und Hardware-Backends, statt nur eine fertige App zu nutzen.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, llama.cpp nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird llama.cpp in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du LLM-Grundlagen verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Quantisierung lokaler Modelle, AI-Hardware für lokale Modelle.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei llama.cpp heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Ein Modell soll auf eigene Dokumente antworten. RAG sucht passende Textstellen und gibt sie dem Modell als Kontext mit.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Ein Modell soll auf eigene Dokumente antworten. RAG sucht passende Textstellen und gibt sie dem Modell als Kontext mit.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Ein Modell soll auf eigene Dokumente antworten. RAG sucht passende Textstellen und gibt sie dem Modell als Kontext mit.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Ein Modell soll auf eigene Dokumente antworten. RAG sucht passende Textstellen und gibt sie dem Modell als Kontext mit.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Lokales RAG nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Lokales RAG in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du LLM-Grundlagen verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Embedding, Vektor-Datenbank, LLM-Grundlagen.

Als Lernroute führt lokales RAG von RAG (Retrieval Augmented Generation) über Information Retrieval (IR) zu konkreten Retrieval-Modellen wie Vector Space Model. Wenn später Bilder, Audio oder Video durchsucht werden, wird daraus Multimedia Retrieval.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Lokales RAG heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

In einem kleinen Prototyp zeigt Game-Development-Pipeline, ob eine Idee wirklich spielbar, testbar und weiter ausbaubar ist.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Was ist der kleinste testbare Prototyp?

  Der kleinste testbare Prototyp ist die simpelste Version, mit der du eine Annahme prüfen kannst. Du baust nur so viel, dass sichtbar wird, ob der Kern funktioniert, bevor du Zeit in Details steckst.
• Welche Eingabe verändert welchen Zustand?

  Gemeint ist: Welche konkrete Nutzeraktion, Datei, Anfrage oder Messung verändert welchen Zustand im System? Benenne Eingabe, Verarbeitung, Ergebnis und sichtbares Feedback getrennt.
• Wie merkt der Spieler oder Nutzer, dass etwas funktioniert?

  Der Nutzer erkennt Funktion daran, dass eine erwartete Rückmeldung erscheint: Bild, Ton, Status, gespeicherte Änderung, Fehlermeldung, Messwert oder reproduzierbares Verhalten.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Game-Development-Pipeline nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Game-Development-Pipeline in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Dieser Begriff ist ein Einstiegspunkt und setzt nur Grundverständnis sowie sauberes Lesen voraus.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Gameplay-Programmierung.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Game-Development-Pipeline heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Zu frueh wird an Assets gearbeitet, bevor der spielbare Kern bewiesen ist.
• Frameabhaengige Logik erzeugt unterschiedliche Spielgeschwindigkeit auf verschiedenen Rechnern.
• Engine-Funktionen werden benutzt, ohne Build, Plattform, Lizenz und Teamwissen mitzudenken.
• AI-generierte Inhalte werden ohne Stilkontrolle, Lizenzprüfung und technische Nachbearbeitung übernommen.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

In einem kleinen Prototyp zeigt Gameplay-Programmierung, ob eine Idee wirklich spielbar, testbar und weiter ausbaubar ist.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Was ist der kleinste testbare Prototyp?

  Der kleinste testbare Prototyp ist die simpelste Version, mit der du eine Annahme prüfen kannst. Du baust nur so viel, dass sichtbar wird, ob der Kern funktioniert, bevor du Zeit in Details steckst.
• Welche Eingabe verändert welchen Zustand?

  Gemeint ist: Welche konkrete Nutzeraktion, Datei, Anfrage oder Messung verändert welchen Zustand im System? Benenne Eingabe, Verarbeitung, Ergebnis und sichtbares Feedback getrennt.
• Wie merkt der Spieler oder Nutzer, dass etwas funktioniert?

  Der Nutzer erkennt Funktion daran, dass eine erwartete Rückmeldung erscheint: Bild, Ton, Status, gespeicherte Änderung, Fehlermeldung, Messwert oder reproduzierbares Verhalten.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Gameplay-Programmierung nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Gameplay-Programmierung in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Dieser Begriff ist ein Einstiegspunkt und setzt nur Grundverständnis sowie sauberes Lesen voraus.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Game Loop, Delta Time.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Gameplay-Programmierung heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Zu frueh wird an Assets gearbeitet, bevor der spielbare Kern bewiesen ist.
• Frameabhaengige Logik erzeugt unterschiedliche Spielgeschwindigkeit auf verschiedenen Rechnern.
• Engine-Funktionen werden benutzt, ohne Build, Plattform, Lizenz und Teamwissen mitzudenken.
• AI-generierte Inhalte werden ohne Stilkontrolle, Lizenzprüfung und technische Nachbearbeitung übernommen.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Ein Spiel liest Eingaben, aktualisiert die Welt und zeichnet ein neues Bild. Dieser Ablauf passiert viele Male pro Sekunde.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Was ist der kleinste testbare Prototyp?

  Der kleinste testbare Prototyp ist die simpelste Version, mit der du eine Annahme prüfen kannst. Du baust nur so viel, dass sichtbar wird, ob der Kern funktioniert, bevor du Zeit in Details steckst.
• Welche Eingabe verändert welchen Zustand?

  Gemeint ist: Welche konkrete Nutzeraktion, Datei, Anfrage oder Messung verändert welchen Zustand im System? Benenne Eingabe, Verarbeitung, Ergebnis und sichtbares Feedback getrennt.
• Wie merkt der Spieler oder Nutzer, dass etwas funktioniert?

  Der Nutzer erkennt Funktion daran, dass eine erwartete Rückmeldung erscheint: Bild, Ton, Status, gespeicherte Änderung, Fehlermeldung, Messwert oder reproduzierbares Verhalten.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Game Loop nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Game Loop in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Dieser Begriff ist ein Einstiegspunkt und setzt nur Grundverständnis sowie sauberes Lesen voraus.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Delta Time.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Game Loop heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Zu frueh wird an Assets gearbeitet, bevor der spielbare Kern bewiesen ist.
• Frameabhaengige Logik erzeugt unterschiedliche Spielgeschwindigkeit auf verschiedenen Rechnern.
• Engine-Funktionen werden benutzt, ohne Build, Plattform, Lizenz und Teamwissen mitzudenken.
• AI-generierte Inhalte werden ohne Stilkontrolle, Lizenzprüfung und technische Nachbearbeitung übernommen.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Eine Figur soll auf schnellen und langsamen Rechnern gleich weit laufen. Delta Time skaliert Bewegung mit vergangener Zeit.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Was ist der kleinste testbare Prototyp?

  Der kleinste testbare Prototyp ist die simpelste Version, mit der du eine Annahme prüfen kannst. Du baust nur so viel, dass sichtbar wird, ob der Kern funktioniert, bevor du Zeit in Details steckst.
• Welche Eingabe verändert welchen Zustand?

  Gemeint ist: Welche konkrete Nutzeraktion, Datei, Anfrage oder Messung verändert welchen Zustand im System? Benenne Eingabe, Verarbeitung, Ergebnis und sichtbares Feedback getrennt.
• Wie merkt der Spieler oder Nutzer, dass etwas funktioniert?

  Der Nutzer erkennt Funktion daran, dass eine erwartete Rückmeldung erscheint: Bild, Ton, Status, gespeicherte Änderung, Fehlermeldung, Messwert oder reproduzierbares Verhalten.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Delta Time nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Delta Time in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du Game Loop verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Game Loop.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Delta Time heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Zu frueh wird an Assets gearbeitet, bevor der spielbare Kern bewiesen ist.
• Frameabhaengige Logik erzeugt unterschiedliche Spielgeschwindigkeit auf verschiedenen Rechnern.
• Engine-Funktionen werden benutzt, ohne Build, Plattform, Lizenz und Teamwissen mitzudenken.
• AI-generierte Inhalte werden ohne Stilkontrolle, Lizenzprüfung und technische Nachbearbeitung übernommen.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du baust einen 2D-Prototyp, strukturierst ihn in Szenen und Nodes und verbindest Verhalten mit Scripts.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Was ist der kleinste testbare Prototyp?

  Der kleinste testbare Prototyp ist die simpelste Version, mit der du eine Annahme prüfen kannst. Du baust nur so viel, dass sichtbar wird, ob der Kern funktioniert, bevor du Zeit in Details steckst.
• Welche Eingabe verändert welchen Zustand?

  Gemeint ist: Welche konkrete Nutzeraktion, Datei, Anfrage oder Messung verändert welchen Zustand im System? Benenne Eingabe, Verarbeitung, Ergebnis und sichtbares Feedback getrennt.
• Wie merkt der Spieler oder Nutzer, dass etwas funktioniert?

  Der Nutzer erkennt Funktion daran, dass eine erwartete Rückmeldung erscheint: Bild, Ton, Status, gespeicherte Änderung, Fehlermeldung, Messwert oder reproduzierbares Verhalten.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Godot Engine nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Godot Engine in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du Game-Development-Pipeline verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Game-Development-Pipeline, Game Loop.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Godot Engine heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Zu frueh wird an Assets gearbeitet, bevor der spielbare Kern bewiesen ist.
• Frameabhaengige Logik erzeugt unterschiedliche Spielgeschwindigkeit auf verschiedenen Rechnern.
• Engine-Funktionen werden benutzt, ohne Build, Plattform, Lizenz und Teamwissen mitzudenken.
• AI-generierte Inhalte werden ohne Stilkontrolle, Lizenzprüfung und technische Nachbearbeitung übernommen.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du prüfst AI-generierte Game Assets immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst AI-generierte Game Assets immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst AI-generierte Game Assets immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst AI-generierte Game Assets immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, AI-generierte Game Assets nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird AI-generierte Game Assets in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du Game-Development-Pipeline verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Dieser Begriff dient als Einstieg und wird in späteren Batches weiter mit verwandten Begriffen verknüpft.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei AI-generierte Game Assets heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du prüfst Prompt Engineering immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Prompt Engineering immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Prompt Engineering immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Prompt Engineering immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Prompt Engineering nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Prompt Engineering in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du LLM-Grundlagen verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: LLM-Grundlagen, Kontextfenster.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Prompt Engineering heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du prüfst Kontextfenster immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Kontextfenster immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Kontextfenster immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Kontextfenster immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Kontextfenster nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Kontextfenster in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du LLM-Grundlagen verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Token, Prompt Engineering, Lokales RAG.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Kontextfenster heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du prüfst Embedding immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Embedding immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Embedding immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Embedding immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Embedding nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Embedding in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du LLM-Grundlagen verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Vektor-Datenbank, Lokales RAG.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Embedding heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du prüfst Vektor-Datenbank immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Vektor-Datenbank immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Vektor-Datenbank immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Vektor-Datenbank immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Vektor-Datenbank nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Vektor-Datenbank in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du Embedding verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Embedding, Lokales RAG.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Vektor-Datenbank heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du prüfst Datenschutz bei lokaler AI immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Datenschutz bei lokaler AI immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Datenschutz bei lokaler AI immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Datenschutz bei lokaler AI immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Datenschutz bei lokaler AI nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Datenschutz bei lokaler AI in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du Lokale AI Grundlagen verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Lokale AI Grundlagen, Lokales RAG.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Datenschutz bei lokaler AI heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du prüfst Modelle lokal benchmarken immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Modelle lokal benchmarken immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Modelle lokal benchmarken immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst Modelle lokal benchmarken immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Modelle lokal benchmarken nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Modelle lokal benchmarken in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du AI-Hardware für lokale Modelle verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: AI-Hardware für lokale Modelle, Quantisierung lokaler Modelle.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Modelle lokal benchmarken heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

Du prüfst AI-Agent-Grundlagen immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Welche Aufgabe soll das Modell wirklich lösen?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst AI-Agent-Grundlagen immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Welche Daten dürfen lokal, intern oder extern verarbeitet werden?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst AI-Agent-Grundlagen immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.
• Woran misst du, ob die Antwort gut genug, schnell genug und verlässlich genug ist?

  Musterantwort: Beginne mit dem konkreten Fall, prüfe die Fakten und erkläre den Begriff daran. Für diesen Abschnitt gilt: Du prüfst AI-Agent-Grundlagen immer gegen einen konkreten Zweck: Datenschutz, Kosten, Geschwindigkeit, Qualität und Automatisierbarkeit.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, AI-Agent-Grundlagen nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird AI-Agent-Grundlagen in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du Prompt Engineering verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Prompt Engineering, Lokales RAG.

Für echte Agentenarbeit kommen mehrere Unterbegriffe zusammen: Ein Agent Tool beschreibt die nutzbare Aktion, Agent Guardrails begrenzen riskante Ausgaben, Agent Evaluation (Evals) prüft Qualität und Agent Cost Optimization hält Laufzeit und Credits kontrollierbar. Vibe Coding ist ein verwandter Arbeitsstil, aber kein Ersatz für Reviews, Tests und klare Aufgaben.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei AI-Agent-Grundlagen heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Ein Modell wird nach Hype ausgewählt, nicht nach Datenlage, Hardware, Lizenz, Latenz und Qualitätsmessung.
• RAG wird als Wahrheitssystem missverstanden, obwohl Retrieval, Kontext und Modellantwort getrennt validiert werden müssen.
• Lokale Verarbeitung wird automatisch als datenschutzsicher betrachtet, obwohl Logs, Plugins, Downloads und Benutzerrechte weiter relevant sind.
• Benchmarks ersetzen keine eigenen Testfälle aus der echten Arbeit.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

In einem kleinen Prototyp zeigt Game Prototyping, ob eine Idee wirklich spielbar, testbar und weiter ausbaubar ist.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Was ist der kleinste testbare Prototyp?

  Der kleinste testbare Prototyp ist die simpelste Version, mit der du eine Annahme prüfen kannst. Du baust nur so viel, dass sichtbar wird, ob der Kern funktioniert, bevor du Zeit in Details steckst.
• Welche Eingabe verändert welchen Zustand?

  Gemeint ist: Welche konkrete Nutzeraktion, Datei, Anfrage oder Messung verändert welchen Zustand im System? Benenne Eingabe, Verarbeitung, Ergebnis und sichtbares Feedback getrennt.
• Wie merkt der Spieler oder Nutzer, dass etwas funktioniert?

  Der Nutzer erkennt Funktion daran, dass eine erwartete Rückmeldung erscheint: Bild, Ton, Status, gespeicherte Änderung, Fehlermeldung, Messwert oder reproduzierbares Verhalten.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Game Prototyping nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Game Prototyping in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du Game-Development-Pipeline verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Game Loop, Gameplay-Programmierung.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Game Prototyping heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Zu frueh wird an Assets gearbeitet, bevor der spielbare Kern bewiesen ist.
• Frameabhaengige Logik erzeugt unterschiedliche Spielgeschwindigkeit auf verschiedenen Rechnern.
• Engine-Funktionen werden benutzt, ohne Build, Plattform, Lizenz und Teamwissen mitzudenken.
• AI-generierte Inhalte werden ohne Stilkontrolle, Lizenzprüfung und technische Nachbearbeitung übernommen.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

In einem kleinen Prototyp zeigt Engine-Auswahl, ob eine Idee wirklich spielbar, testbar und weiter ausbaubar ist.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Was ist der kleinste testbare Prototyp?

  Der kleinste testbare Prototyp ist die simpelste Version, mit der du eine Annahme prüfen kannst. Du baust nur so viel, dass sichtbar wird, ob der Kern funktioniert, bevor du Zeit in Details steckst.
• Welche Eingabe verändert welchen Zustand?

  Gemeint ist: Welche konkrete Nutzeraktion, Datei, Anfrage oder Messung verändert welchen Zustand im System? Benenne Eingabe, Verarbeitung, Ergebnis und sichtbares Feedback getrennt.
• Wie merkt der Spieler oder Nutzer, dass etwas funktioniert?

  Der Nutzer erkennt Funktion daran, dass eine erwartete Rückmeldung erscheint: Bild, Ton, Status, gespeicherte Änderung, Fehlermeldung, Messwert oder reproduzierbares Verhalten.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Engine-Auswahl nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Engine-Auswahl in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du Game-Development-Pipeline verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: Godot Engine, Game-Development-Pipeline.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Engine-Auswahl heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Zu frueh wird an Assets gearbeitet, bevor der spielbare Kern bewiesen ist.
• Frameabhaengige Logik erzeugt unterschiedliche Spielgeschwindigkeit auf verschiedenen Rechnern.
• Engine-Funktionen werden benutzt, ohne Build, Plattform, Lizenz und Teamwissen mitzudenken.
• AI-generierte Inhalte werden ohne Stilkontrolle, Lizenzprüfung und technische Nachbearbeitung übernommen.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.

2. Anwenden

In einem kleinen Prototyp zeigt Asset Pipeline, ob eine Idee wirklich spielbar, testbar und weiter ausbaubar ist.

Als Anfänger arbeitest du mit einer einfachen Prüfliste:

• Was ist der kleinste testbare Prototyp?

  Der kleinste testbare Prototyp ist die simpelste Version, mit der du eine Annahme prüfen kannst. Du baust nur so viel, dass sichtbar wird, ob der Kern funktioniert, bevor du Zeit in Details steckst.
• Welche Eingabe verändert welchen Zustand?

  Gemeint ist: Welche konkrete Nutzeraktion, Datei, Anfrage oder Messung verändert welchen Zustand im System? Benenne Eingabe, Verarbeitung, Ergebnis und sichtbares Feedback getrennt.
• Wie merkt der Spieler oder Nutzer, dass etwas funktioniert?

  Der Nutzer erkennt Funktion daran, dass eine erwartete Rückmeldung erscheint: Bild, Ton, Status, gespeicherte Änderung, Fehlermeldung, Messwert oder reproduzierbares Verhalten.

Das Ziel ist nicht, sofort Experte zu sein. Das Ziel ist, den Normalfall sauber zu erkennen, keine riskanten Annahmen zu treffen und die nächste sinnvolle Handlung begründen zu können.

Miniübung für den Lehrgang: Formuliere einen echten Fall in zwei Sätzen, markiere die wichtigste Information und schreibe eine Rückfrage auf, die fehlende Fakten klärt. Dadurch lernst du, Asset Pipeline nicht nur zu definieren, sondern im Arbeitsfluss anzuwenden.

3. Technisch einordnen

Auf Level 2 wird Asset Pipeline in einen Ablauf eingebettet. Du unterscheidest Eingaben, Entscheidungspunkte, Ergebnis und Dokumentation. Genau dadurch wird aus Nachschlagen echtes Lernen: Du erkennst, was vorher geklärt sein muss, was sich aus dem Begriff ergibt und welche anderen Begriffe anschliessen.

Arbeite mit diesem Schema:

1. Eingang: Welche Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung startet den Vorgang?

   Der Eingang ist der konkrete Auslöser: eine Beobachtung, Anfrage, Messung, Datei, Fehlermeldung oder Entscheidung. Schreibe zuerst den Rohbefund auf und trenne ihn von deiner Vermutung.
2. Prüfung: Welche Fakten müssen belegt werden, bevor du handelst?

   Bei der Prüfung belegst du die Fakten, bevor du handelst: Was ist passiert, wo passiert es, seit wann, wie oft, mit welcher Auswirkung und mit welchem Nachweis? Erst danach entscheidest du den nächsten Schritt.
3. Aktion: Was ist der kleinste sinnvolle Schritt, der das Problem klärt oder voranbringt?

   Die Aktion ist der kleinste reversible Schritt, der Klarheit bringt: eine Messung, ein kontrollierter Test, eine Rückfrage, ein Backup, eine Dokumentation oder eine sichere Änderung mit beobachtbarem Ergebnis.
4. Nachweis: Was dokumentierst du, damit andere Menschen später verstehen, was passiert ist?

   Der Nachweis hält fest, was entschieden und beobachtet wurde: Ausgangslage, Prüfschritte, Ergebnis, Zeit, Beteiligte, offene Risiken und der nächste sinnvolle Schritt. So kann jemand anderes den Fall nachvollziehen.

Vorher solltest du Game-Development-Pipeline verstanden haben.

Für die Praxis bedeutet das: Du trennst Beobachtung von Interpretation. Eine Beobachtung ist zum Beispiel ein Messwert, eine Fehlermeldung, ein Zählerstand, ein Logeintrag oder ein reproduzierbarer Schritt. Eine Interpretation ist deine Vermutung, warum das passiert. Gute Arbeit entsteht, wenn beide Ebenen nicht vermischt werden.

Verwandte Begriffe für die Vertiefung: AI-generierte Game Assets, Game-Development-Pipeline.

4. Vertiefen

Auf Expertenniveau geht es nicht mehr um das Wiederholen einer Definition. Du bewertest Randfälle, Grenzen, Verantwortlichkeiten und Folgewirkungen. Bei Asset Pipeline heißt das: Du kannst zwischen Normalfall, Ausnahmefall und Risiko unterscheiden. Du erkennst, wann ein Fall noch in deinen Aufgabenbereich gehört und wann Spezialisten, rechtliche Klärung, Security, Engineering oder eine formale Freigabe nötig sind.

Die wichtigsten Praxisfallen sind:

• Zu frueh wird an Assets gearbeitet, bevor der spielbare Kern bewiesen ist.
• Frameabhaengige Logik erzeugt unterschiedliche Spielgeschwindigkeit auf verschiedenen Rechnern.
• Engine-Funktionen werden benutzt, ohne Build, Plattform, Lizenz und Teamwissen mitzudenken.
• AI-generierte Inhalte werden ohne Stilkontrolle, Lizenzprüfung und technische Nachbearbeitung übernommen.

Goldstandard: Du kannst den Begriff einem Laien erklären, einen realistischen Fall damit bearbeiten, Grenzen sauber benennen, Nachweise dokumentieren und erklären, welche Entscheidung du warum getroffen hast.