| Eindeutige Modulnummer | WiWi-7390-M |
|---|
| Modulnummer / Modulcode | WAHL-59 |
|---|
| Modulname | Prompt Engineering: Innovation Through Generative AI |
|---|
| Art des Moduls | Wahlpflicht |
|---|
| Lernergebnisse, Kompetenzen, Qualifikationsziele | Teilnehmende erwerben nicht nur theoretisches Wissen, sondern entwickeln auch praktische Fähigkeiten, die es ihnen ermöglichen, generative KI-Technologien bewusst und effektiv einzusetzen. Ziel ist es, Studierende durch die Kombination aus theoretischem Verständnis und praktischer Anwendung zu befähigen, die Chancen und Herausforderungen von KI-Technologien für innovative Geschäftslösungen voll auszuschöpfen.
Nach Abschluss des Kurses sind die Studierenden in der Lage:
- Entwicklungen, grundlegende Prinzipien und technische Mechanismen von NLP und Large Language Models zu erklären.
- Die Nutzung von Prompt Engineering zur Steuerung generativer KI-Modelle in verschiedenen Anwendungsbereichen praktisch umzusetzen.
- Kreative und effektive Prompts zu entwerfen, um innovative Lösungen für spezifische Aufgaben oder Problemstellungen zu entwickeln.
- Ethische, rechtliche und soziale Herausforderungen von KI-Technologien kritisch zu analysieren und verantwortungsbewusste KI-Anwendungen zu fördern.
- Den gesamten Entwicklungsprozess eines KI-gestützten Projekts klar und strukturiert in einer wissenschaftlichen Arbeit nach ACM-Format zu dokumentieren.
- Prompt Engineering gezielt in bestehende Strukturen zu integrieren, um die betriebliche Effizienz und Innovationsfähigkeit zu steigern.
- Forschungsmethoden und -techniken zur kritischen Analyse und Bewertung generativer KI-Modelle sowie deren Anwendbarkeit und Auswirkungen anzuwenden.
|
|---|
| Lehrveranstaltungsarten | Seminar mit insgesamt 4 SWS |
|---|
| Lehrinhalte | Grundlagen und Prinzipien von NLP und LLMs:
- Verständnis der technischen Grundlagen und der evolutionären Entwicklung von NLP und Large Language Models (LLMs).
- Detaillierte Untersuchung der Architekturen und Funktionsweisen führender Sprachmodelle wie GPT und BERT.
Einführung in Prompt Engineering:
- Erlernen der Prinzipien und Techniken zur Steuerung der KI-Modellleistung durch gezielte Eingaben (Prompts).
- Analyse von Anwendungsfällen, in denen Prompt Engineering erfolgreich zur Geschäftsinnovation eingesetzt wird.
Wissenschaftliche Anwendung und Prototyping:
- Entwicklung von Prototypen, die den praktischen Einsatz von Prompt Engineering in realen Szenarien demonstrieren.
- Durchführung wissenschaftlicher Projekte in Teams zur Förderung kollaborativer und praxisnaher Erfahrungen.
Rechtliche, ethische und soziale Aspekte der KI-Nutzung:
- Diskussion über Datenschutz, Verantwortlichkeit beim Einsatz von KI und die Vermeidung von Verzerrungen (Bias).
|
|---|
| Titel der Lehrveranstaltungen | Prompt Engineering: Innovation Through Generative AI |
|---|
| Lehr- und Lernmethoden (Lehr- und Lernformen) | Use-Case Ausarbeitung, Referat, Seminar und Selbststudium |
|---|
| Verwendbarkeit des Moduls | Digitale Innovation und Transformation, Business Studies, Wirtschaftsingenieurwesen, MA English and American (Culture and Business) |
|---|
| Dauer des Moduls | ein Semester |
|---|
| Häufigkeit des Angebotes | Sommer- und Wintersemester |
|---|
| Sprache | Englisch |
|---|
| Empfohlene (inhaltliche) Voraussetzungen für die Teilnahme am Modul | |
|---|
| Voraussetzungen für die Teilnahme am Modul | keine |
|---|
| Studentischer Arbeitsaufwand | 180 Stunden (40 Std. Kontaktstudium + 140 Std. Selbststudium) |
|---|
| Studienleistungen | keine |
|---|
| Voraussetzung für Zulassung zur Prüfungsleistung | keine |
|---|
| Prüfungsleistungen | Präsentation mit schriftlicher Ausarbeitung |
|---|
| Anzahl Credits (ECTS) | 6 cp |
|---|
| Lehreinheit | Wirtschaftswissenschaften |
|---|
| Modulverantwortliche/r | Prof. Dr. Thiemo Wambsganss |
|---|
| Lehrende | Prof. Dr. Thiemo Wambsganss |
|---|
| Medienformen | Spezifikation durch die jeweiligen Dozenten und Dozentinnen |
|---|
| Literatur |
- Training Language Models to Follow Instructions with Human Feedback (2022) by Ouyang, Wu, Jiang, Almeida, Wainwright, Mishkin, Zhang, Agarwal, Slama, Ray, Schulman, Hilton, Kelton, Miller, Simens, Askell, Welinder, Christiano, Leike, and Lowehttps://arxiv.org/pdf/2203.02155.pdf
- Fine-Tuning Language Models from Human Preferences (2020) by Ziegler, Stiennon, Wu, Brown, Radford, Amodei, Christiano, Irving https://arxiv.org/abs/1909.08593
- Learning to Summarize from Human Feedback (2022) by Stiennon, Ouyang, Wu, Ziegler, Lowe, Voss, Radford, Amodei, Christiano https://arxiv.org/abs/2009.01325
- How Close is ChatGPT to Human Experts? Comparison Corpus, Evaluation, and Detection by Biyang Guo1†∗, Xin Zhang2∗, Ziyuan Wang1∗, Minqi Jiang1∗, Jinran Nie3∗Yuxuan Ding4, Jianwei Yue5, Yupeng Wu6https://arxiv.org/pdf/2301.07597v1.pdf
- Language Models are Few-Shot Learners by Tom B. Brown et al https://arxiv.org/pdf/2005.14165.pdf
|
|---|