Modul CS5164-KP04

Dauer

1 Semester

Angebotsturnus

Jedes Wintersemester

Leistungspunkte

4

Studiengang, Fachgebiet und Fachsemester:

• Master Medizinische Informatik 2019, Wahlpflicht, eHealth / Informatik, 1. oder 2. Fachsemester
• Master Medieninformatik 2020, Wahlpflicht, Informatik, Beliebiges Fachsemester

Lehrveranstaltungen:

• CS5164-P: Distributed AI (Praktikum, 2 SWS)
• CS5164-V: Distributed AI (Vorlesung, 1 SWS)

Workload:

• 45 Stunden Eigenständige Projektarbeit
• 45 Stunden Präsenzstudium
• 15 Stunden Selbststudium
• 15 Stunden Prüfungsvorbereitung

Lehrinhalte:

• Einführung und Grundlagen: Grundlagen neuronaler Netze - Transformer-Modelle
• Edge AI: Konzepte und Modell Architekturen, wie MobileNet - praktische und technische Anforderung - Anwendungsbeispiele - Verfahren zur Verringerung von Parametern, z.B. Pruning
• Federated Learning: Konzepte und Anwendungen - Voting und Refinement Verfahren
• Large Models in the Cloud: Konzepte von großen Daten- und Rechenzentren - Praktische und technische Grundlagen, z.B. Docker und Kubernetes - Umsetzung durch Verteilung und Kombination, z.B. Data Parallelism, Ensembling und Mixture of Experts
• Agentic AI: Konzepte und Architekturen - Model Context Protocol - Agent-to-Agent Communication - Frameworks und Use Cases

Qualifikationsziele/Kompetenzen:

• Die Studierenden können traditionelle Machine Learning Algorithmen, Convolutional Neural Networks, Transformer und generative Transformer grundlegend erklären.
• Sie können grundlegend erklären, wie CNNs und Transformer auf Grafikkarten Rechenoperationen umsetzen.
• Sie können EdgeAI Anwendungen motivieren und erklären, sowie Verfahren zur Verringerung der Parameter in CNNs erklären und umsetzen.
• Sie sind in der Lage, verschiedene Verfahren des Federated Learnings zu nennen, erklären, die Vor- und Nachteile zu erläutern und in Grundzügen umzusetzen.
• Sie können die grundlegenden Fähigkeiten großer Rechenzentren in der Umsetzung großer KI-Modelle erklären und dabei auf die Herausforderungen im Ressourcenverbrauch eingehen.
• Sie können die Unterschiede zwischen traditionellen Multi-Agenten-Systemen und Agentic AI darstellen.
• Sie können das Model Context Protocol (MCP), das Agent Communication Protocol (ACP) und das Agent-2-Agent Protocol (A2A) in Grundzügen erklären und deren Nutzung im Rahmen von Awendungen korrekt auswählen und umsetzen.
• Sie kennen mindestens drei aktuelle Frameworks zur Realisierung von Agentic-AI-Anwendungen und können Anwendungen in einem davon umsetzen.
• Sie kennen die Risiken von Agentic AI und den aktuellen Protokollen und Frameworks und können diese gegenüber dem Nutzen einer solchen Plattform abschätzen.

Vergabe von Leistungspunkten und Benotung durch:

• Klausur oder mündliche Prüfung nach Maßgabe des Dozenten

Modulverantwortliche:

• Prof. Dr. Stefan Fischer

Lehrende:

• Institut für Telematik
• Prof. Dr. Stefan Fischer

Literatur:

• Raghubir Singh, Sukhpal Singh Gill : Edge AI: A survey
• MD Abdullah Al Nasim et al. : Principles and Components of Federated Learning
• Paula Raissa Silva, João Vinagre, João Gama : Towards federated learning: An overview of methods and applications
• Zhengxian Lu, Fangyu Wang, Zhiwei Xu, Fei Yang, Tao Li : On the Performance and Memory Footprint of Distributed Training: An Empirical Study on Transformers
• Abul Ehtesham, Aditi Singh, Gaurav Kumar Gupta, Saket Kumar: A survey of agent interoperability protocols : Model Context Protocol (MCP), Agent Communication Protocol (ACP), Agent-to-Agent Protocol (A2A), and Agent Network Protocol (ANP) arXiv:2505.02279v2 [cs.AI], 2025
• Ken Huang : Agentic AI - Theories and Practices Springer, 2025

Sprache:

• Sowohl Deutsch- wie Englischkenntnisse nötig

Bemerkungen:

Letzte Änderungen:

01.10.2025