AI+ Context Engineering - eLearning (inkl. eksamen)

1.950,00 DKK

  • 16 hours
eLearning

Mestre kontekstbevidste AI-systemer med AI+ Context Engineering™ Udvid din AI-ekspertise ud over basal prompting, og lær at designe, bygge og implementere produktionsklare, kontekstbevidste AI-løsninger. Denne certificering lærer dig at udvikle robuste kontekst-pipelines, håndtere hukommelse og værktøjer og opbygge skalerbare AI-systemer, der leverer præcise, pålidelige og effektive resultater på tværs af virkelige arbejdsgange. Du opnår praktiske færdigheder inden for Retrieval-Augmented Generation (RAG), vektordatabaser, sikker enterprise-integration, orkestrering af multi-agentsystemer og no-code kontekst-workflows – så du er klar til at lede den næste bølge af AI-innovation i enterprise-miljøer.

Nøglefunktioner

Sprog

Kursus og materiale på engelsk

Niveau

Begynder-øvet niveau

Adgang

1 års adgang til platformen 24/7

8 timers videolektioner og multimedieindhold

Anbefaling om 16 timers studietid

e-bøger, lydbøger, podcasts

Quizzer, evalueringer og kursusmaterialer

Eksamen

Online overvåget eksamen med én gratis omprøve

Certifikat

Certifikat for gennemførelse medfølger

Hero

Mestre AI+ kontekstengineering til produktionsklare AI-systemer

Lær at designe avancerede kontekstframeworks, der rækker ud over simpel prompting, og som effektivt håndterer instruktioner, hukommelse, værktøjer og viden for at sikre ensartet AI‑ydelse på tværs af sessioner og arbejdsgange.

Drive AI-innovation

Læringsudbytte

Når du har gennemført dette kursus, vil du være i stand til at:

Grundlæggende kontekstengineering (ud over prompting)

Lær, hvordan du kan designe, styre og finjustere AI-kontekst dynamisk under kørsel, og gå videre end simple prompts til en struktureret håndtering af instruktioner, hukommelse, værktøjer og systemtilstand for pålidelig AI-ydeevne.

Kontekstoptimering med W-S-C-I-rammeværket

Anvend de grundlæggende principper Skriv, Vælg, Komprimer og Isolér for at øge relevans, nøjagtighed, effektivitet og sikkerhed i produktionsklare AI-miljøer.

Design af hukommelsesarkitekturer til AI

Opbyg effektive korttids- og langtids-hukommelsessystemer ved hjælp af vektordatabaser, opsummeringsteknikker og feedbackmekanismer for at understøtte personalisering, kontinuitet og kompleks ræsonnering.

Retrieval-Augmented Generation (RAG) & Grounded AI

Udvikl pålidelige AI‑applikationer med RAG‑pipelines, embedding‑modeller og vektordatabaser for at reducere hallucinationer og levere verificerbare, domænespecifikke svar.

End-to-end kontekst-pipelines og orkestrering

Konstruér omfattende kontekst‑workflows – fra brugerforespørgsel til hentning, komprimering, generering af svar og opdatering af hukommelse – ved at udnytte værktøjer som LangChain, LangGraph og LlamaIndex.

Hero

Kursusforløb

  1. Grundlæggende kontekstteknik

    Lektion 1

    • Introduktion til kontekstengineering ud over traditionel prompt engineering
    • Skiftet fra simple prompts til fulde kontekst-pipelines
    • Kerneelementer i kontekst: instruktioner, viden, værktøjer og systemtilstand
    • Korttidshukommelse versus langtidshukommelse i LLM-baserede systemer
    • Vigtige fordele: forankring, relevans, kontinuitet og omkostningseffektivitet
    • Anvendelsestilfælde: Design af en kontekstbevidst AI-rejseassistent
    • Praktisk arbejde: Udformning af systeminstruktioner og memorystates til en rollebaseret AI-agent
  2. Rammeværker og metoder til konteksthåndtering

    Lektion 2

    • W-S-C-I-rammen: Skriv, Vælg, Komprimer, Isolér
    • SKRIV: Definition af agentidentitet, persona, rammer og styring af tilstand
    • SELECT: Højpræcisionssøgning og metadatafiltrering
    • COMPRESS: Opsummering, tokenoptimering og automatisk komprimering
    • ISOLATE: Sæt grænser for sikkerhed, fokus og beskyttelse af kontekst
    • Avancerede hentningsstrategier: hybrid søgning og semantisk opdeling
    • Case study: Hukommelsessystemer i ChatGPT og Claude
    • Praktisk arbejde: Anvendelse af kontekstvalg og komprimering med LangChain eller LlamaIndex
  3. Context-pipelines, RAG og Grounded AI-arkitektur

    Lektion 3

    • Design af den komplette kontekst-pipeline (input → hentning → komprimering → samling → svar → opdatering)
    • Dybdegående gennemgang af Retrieval-Augmented Generation (RAG)-systemer
    • Arbejder med vektordatabaser som Pinecone og Chroma samt embedding-modeller
    • Identificering af grounding-fejl: hallucinationer, kontekstforgiftning, distraktion
    • Afværgeteknikker: omrangering, provenienssporing og kontekstdiganostik
    • Case study: Anthropics Multi-Agent Researcher (MAR)
    • Praktisk workshop: Byg en RAG-pipeline med vektorsøgning og forankrede outputs
  4. Optimering, skalering og enterprise-implementering

    Lektion 4

    • Håndtering af tokenforbrug og strategier til omkostningsoptimering
    • Kontekstskalering og Model Context Protocol (MCP)
    • Sikkerhed og compliance: filtrering og redigering af personhenførbare oplysninger (PII) samt rollebaseret adgang
    • Konfliktløsning og opretholdelse af kontekstuel konsistens
    • Håndtering af multimodal kontekst (tekst, tabeller, PDF'er, videotransskripter)
    • Case-studier: Walmarts “Ask Sam” og Morgan Stanley Knowledge Assistant
    • Hands-on: Implementering af sikker, rollebaseret kontekstfiltrering og -hentning
  5. Context Flow-design til forretnings- og no-code-brugere

    Lektion 5

    • Omsætning af forretningsprocesser til AI-klare kontekstuelle arbejdsgange
    • Kontekst-flowdiagrammer (CFD'er) og automatiseret workflow-arkitektur (AWA)
    • Visuel implementering af W-S-C-I med no-code-værktøjer (n8n, Make, Zapier)
    • Brug af kontekstskabeloner til strukturerede og ensartede output
    • Anvendelsestilfælde: Opbygning af en dynamisk assistent til kundeonboarding
    • Case studies: automatisering af Airbnb-support og HSBC-lån til SMV’er
    • Praktisk øvelse: Opret en kontekst-flow ved hjælp af no-code orkestreringsværktøjer
  6. Industrielle anvendelser af kontekstteknik

    Lektion 6

    • Anvendelse af kontekstengineering i regulerede miljøer
    • Sundhedsvæsen: klinisk beslutningsstøtte og isolering af personfølsomme sundhedsoplysninger
    • Finans: compliance-summering, markedsanalyse og værktøjsbaseret kontekst
    • Jura og uddannelse: præcisionssøgning og personlige læringssystemer
    • Risikobegrænsning: håndtering af kontekstforgiftning og kontekstkonflikter
    • Design af avanceret agenthukommelse til opgaver med lang tidshorisont
    • Case studies: Activeloop (juridisk/IP) og Five Sigma (forsikring)
  7. Multi-agent-systemer og fremtidige arkitekturer

    Lektion 7

    • Hvorfor monolitiske agenter fejler: håndtering af kontekstudvidelse
    • Multi-agent-systemer (MAS) og strategier til kontekstisolering
    • Agentroller: router, planlægger, udfører
    • Agent-til-agent kontekstkomprimeringsteknikker
    • Styring, sikkerhedsrammer og sikkerhed mellem agenter
    • Etik, reduktion af bias og sporbarhed af kilder
    • Case studies: IBM Watson Orchestrate og orkestreringssystemer til virksomhedskontekst
    • Karriereveje: Context-arkitekt og roller inden for AI-governance
  8. Afsluttende projekt og certificering

    Lektion 8

    • Capstone-overblik: opbygning af et kontekstbevidst multi-agent-system
    • Projektopbygning: forespørgselsrouter med finansielle beregninger og politikbaseret RAG ved hjælp af n8n
    • Præsentation, peer review og ekspertfeedback
    • Afsluttende evaluering og AI+ Context Engineering-certificering

Undersøgte værktøjer

  • LangChain og LangGraph
  • LlamaIndex
  • Vektordatabaser (Pinecone, Chroma)
  • n8n, Zapier, Make.com
  • Indlejringsmodeller og RAG-pipelines
  • No-code automatiseringsplatforme
  • Enterprise-data- og API-integrationer
AI-kontekstudvikling

Hvem bør tilmelde sig dette program?

AI-ingeniører og LLM-udviklere

Product Managers & AI-arkitekter

Data- og platformingeniører

Enterprise- og løsningsarkitekter

AI-konsulenter og tekniske ledere

Avancerede no-code- og automationsbyggere

Start kurset nu

Flere detaljer

Forudsætninger

  • Grundlæggende programmeringsfærdigheder – Erfaring med Python, Java eller tilsvarende programmeringssprog.
  • Grundlæggende AI-forståelse – Kendskab til centrale begreber inden for kunstig intelligens og maskinlæring.
  • Erfaring med databehandling – Evne til at håndtere datasæt og anvende grundlæggende metoder til datapræprocessering.
  • IoT-bevidsthed – Forståelse af Internet of Things (IoT)-systemer og -anvendelser.
  • Kendskab til cloudplatforme – Grundlæggende kendskab til cloud‑baserede AI‑værktøjer og -tjenester.

Eksamensdetaljer

  • Varighed: 90 minutter
  • Bestået: 70 % (35/50)
  • Format: 50 multiple choice-/flervalgsspørgsmål
  • Leveringsmetode: Online via overvåget eksamensplatform (fleksibel planlægning)
  • Sprog: Engelsk

Licensering og akkreditering

Dette kursus udbydes af AVC i henhold til Partnerprogramaftalen og overholder kravene i licensaftalen.

Lighedspolitik

AVC tilbyder ikke særlige vilkår på grund af en studerendes handicap eller medicinske tilstand. Ansøgere opfordres til at kontakte AVC for vejledning og støtte gennem hele processen med at søge særlige vilkår.


Ofte stillede spørgsmål

Contact background

Har du brug for virksomhedsløsninger eller LMS-integration?

Fandt du ikke kurset eller programmet, der ville være til gavn for din virksomhed? Har du brug for LMS-integration? Skriv til os, vi løser alt!