Von den Grundlagen des Maschinellen Lernens zum Prompt Engineering
19. Juni 2026
Im KI-Wahlmodul »Daten & KI: Methoden« bei Innovations.TALENT und Kooperations.TALENT drehte sich alles um den Weg vom klassischen Daten-Dashboard zum KI-basierten, persönlichen Assistenten. Das zweitägige Programm verknüpfte traditionelle Ansätze der Datenauswertung mit modernen Sprachmodell-Workflows.
Das Modul startete mit dem Bereich Business Intelligence (BI), um die Grundlage für den Weg vom klassischen Daten-Dashboard zum KI-basierten Assistenten zu schaffen. Nach einer Orientierungsrunde und der Abfrage der Erwartungen erarbeiteten die Teilnehmenden unter der Leitung von Erich Teppan von der Universität Klagenfurt und Fraunhofer Austria, Daniel Kofler von Anexia und Philipp Hungerländer von der Universität Klagenfurt Methoden und Tools zur Strukturierung, Analyse und Visualisierung von Finanz-, Logistik- und Produktionsdaten. Dabei wurde zunächst vermittelt, wie Rohdaten aus unterschiedlichen Unternehmensbereichen bereinigt und in aussagekräftige Kennzahlen überführt werden können.
Im Fokus stand das Open-Source-Tool Apache Superset, das die Teilnehmenden in mehreren Hands-on-Übungen mit praxisnahen Finanzdatensätzen direkt erprobten. Ergänzend analysierten sie etablierte kommerzielle Alternativen wie Tableau und Power BI hinsichtlich ihrer Lizenzmodelle und Integrationsfähigkeit sowie weite Open-Source-Lösungen wie Metabase und das Python-Framework Streamlit für schnelle, codebasierte Datenanwendungen. Den ersten Tag schloss ein Ausblick auf das Zusammenspiel von strukturierten Unternehmensdaten und KI ab. Hierbei wurde thematisiert, wie mittels MCP-Servern (Model Context Protocol) und modellgestützten n8n-Prozessautomatisierungen eine hybride KI-Infrastruktur aufgebaut werden kann, die lokale Datenquellen sicher mit externen Sprachmodellen verknüpft.
Am zweiten Tag wurde die Verbindung traditioneller Datenanalysen mit modernen Sprachmodell-Workflows weiter vertieft. Unter der Anleitung von Harald Nezbeda von der FH Kärnten und Anexia setzten die Teilnehmenden auf den BI-Konzepten auf, um den praktischen Bau eines persönlichen KI-Support-Bots vorzubereiten. Aus einfachen Prompts wurden strukturierte LLM-Workflows gestaltet, die typische betriebliche Aufgabenfelder wie Recherche, Textarbeit, Datenanalyse und Coding abdecken können. Ein zentraler Schritt zur Automatisierung und Verbesserung der datenbasierten Prozesse war der Aufbau einer Wissensbasis mittels Retrieval-Augmented Generation (RAG). Die Teilnehmenden erprobten, wie Sprachmodell-Workflows mit Unternehmensdaten verknüpft werden können, um automatisierte Analysen und Reports von Finanz-, Logistik- und Produktionsdaten zu generieren und Halluzinationen zu minimieren. Ergänzt wurde dieser Schritt durch eine Diskussion über Datenschutz, Qualitätssicherung und den Vergleich interner versus externer LLM-Dienste.
Schließlich implementierten die Teilnehmenden ihren persönlichen BI-Support-Bot in der Open-Source-Plattform Dify. Auf diese Weise lernten die Teilnehmerinnen und Teilnehmer, wie datenbasierte Analysen mittels automatisierter, KI-gestützter Prozesse ergänzt und verbessert werden können. »Der Übergang von der klassischen Datenanalyse zu einem funktionierenden KI-Workflow war direkt nachvollziehbar. Die Verknüpfung von Dokumenten und Datenbanken über RAG mit der Dify-Plattform zeigte, wie aus der Kombination passender KI-Methoden ein Werkzeug für den Unternehmensalltag wird«, resümierte ein Teilnehmer im Rahmen der abschließenden Feedback-Runde.