# Inhaltsdomäne 1: Grundlagen von KI und ML
<a name="ai-practitioner-01-domain1"></a>

Die Inhaltsdomäne 1 behandelt die Grundlagen von KI und ML. Ihr Anteil an den gewerteten Prüfungsinhalten beträgt 20 %.

**Topics**
+ [Aufgabenstellung 1.1: Erläutere grundlegende KI-Konzepte und -Terminologien.](#ai-practitioner-01-task1.1)
+ [Aufgabenstellung 1.2: Nenne praktische Anwendungsfälle für KI.](#ai-practitioner-01-task1.2)
+ [Aufgabenstellung 1.3: Beschreibe den KI/ML-Entwicklungszyklus.](#ai-practitioner-01-task1.3)

## Aufgabenstellung 1.1: Erläutere grundlegende KI-Konzepte und -Terminologien.
<a name="ai-practitioner-01-task1.1"></a>

Ziele:
+ Definiere grundlegende KI-Begriffe (z. B. KI, ML, Deep Learning, neuronale Netzwerke, Computer Vision, Natural Language Processing [NLP], Modell, Algorithmus, Training und Inferenz, Verzerrung, Fairness, Anpassung, Large Language Model [LLM], generative KI [GenAI], agentenbasierte KI).
+ Beschreibe die Ähnlichkeiten und Unterschiede zwischen KI, ML, GenAI, Deep Learning und agentenbasierter KI.
+ Beschreibe verschiedene Arten der Inferenz (z. B. Batch, Echtzeit, asynchron, serverless).
+ Beschreibe die verschiedenen Datentypen in KI-Modellen (z. B. beschriftet und unbeschriftet, tabellarisch, Zeitreihen, Bild, Text, strukturiert und unstrukturiert).
+ Beschreibe verschiedene Arten von KI/ML-Lernen (z. B. überwachtes Lernen, unüberwachtes Lernen, Methoden für Reinforcement Learning).

## Aufgabenstellung 1.2: Nenne praktische Anwendungsfälle für KI.
<a name="ai-practitioner-01-task1.2"></a>

Ziele:
+ Nenne Anwendungen, bei denen KI/ML einen Mehrwert bieten kann (z. B. zur Unterstützung der menschlichen Entscheidungsfindung, Skalierbarkeit von Lösungen, Automatisierung).
+ Stelle fest, wann KI/ML-Lösungen nicht geeignet sind (z. B. Kosten-Nutzen-Analysen, Situationen, in denen ein bestimmtes Ergebnis anstelle einer Prognose erforderlich ist).
+ Wähle die geeigneten KI/ML-Techniken für bestimmte Anwendungsfälle aus (z. B. Regression, Klassifizierung, Clustering).
+ Zähle Beispiele für reale KI-Anwendungen auf (z. B. Computer Vision, NLP, Spracherkennung, Empfehlungssysteme, Betrugserkennung, Prognosen, Wissensdatenbanken, agentenbasierte KI).
+ Erläutere die Funktionen von AWS-verwalteten KI/ML-Services (z. B. Amazon SageMaker AI, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex, Amazon Polly).
+ Identifiziere, wann herkömmliche ML-Modelle und wann Basismodelle (Foundation Models, FMs) für einen bestimmten Anwendungsfall geeignet sind (z. B. aufgrund regulatorischer Bedenken, Anforderungen an die Erklärbarkeit, betrieblicher Einschränkungen).

## Aufgabenstellung 1.3: Beschreibe den KI/ML-Entwicklungszyklus.
<a name="ai-practitioner-01-task1.3"></a>

Ziele:
+ Beschreibe und unterscheide die Komponenten einer KI/ML-Pipeline.
+ Beschreibe die Quellen von FM-Modellen (z. B. vortrainierte Open-Source-Modelle, benutzerdefinierte Trainingsmodelle).
+ Beschreibe Methoden für die Verwendung eines Modells in der Produktion (z. B. verwalteter API-Service, selbst gehostete API).
+ Nenne relevante AWS-Services und -Features für jede Phase einer KI/ML-Pipeline (z. B. Amazon Bedrock, Amazon Q, Amazon Quick, Kiro, SageMaker AI).
+ Beschreibe grundlegende Konzepte von ML-Operationen (MLOps) (z. B. Experimente, wiederholbare Prozesse, skalierbare Systeme, Umgang mit technischen Schulden, Erreichen der Produktionsbereitschaft, Modellüberwachung, erneutes Modelltraining).
+ Beschreibe Modellleistungsmetriken (z. B. Genauigkeit, Präzision, Trefferquote, F1-Score) und Geschäftsmetriken (z. B. Kosten pro Benutzer, Entwicklungskosten, Kundenfeedback, Kapitalrendite [ROI]) für die Bewertung von ML-Modellen.