add German curriculum docs

docs/00b-basics/00-basics.adoc

@@ -12,10 +12,6 @@ include::03-timing-didactics-and-more.adoc[{include_configuration}]
 
 include::04-prerequisites-for-this-training.adoc[{include_configuration}]
 
-include::05-curriculum-outline.adoc[{include_configuration}]
-
-include::06-complementary-information.adoc[{include_configuration}]
-
 // tag::DE[]
 // end::DE[]
 // tag::EN[]

docs/00b-basics/01-what-to-expect-of-this-module.adoc

@@ -1,8 +1,21 @@
 // tag::DE[]
 === Was vermittelt das Modul „{curriculum-short}“?
 
-Das Modul präsentiert den Teilnehmerinnen und Teilnehmern {curriculum-name} als …
-Am Ende des Moduls kennen die Teilnehmerinnen und Teilnehmer … und können …
+Das Modul präsentiert den Teilnehmer:innen moderne Softwarearchitektur-Konzepte
+für KI-Systeme als Mittel, um leistungsfähige, skalierbare und integrierbare KI-
+Lösungen zu gestalten. Am Ende des Moduls kennen die Teilnehmer:innen die
+wesentlichen Prinzipien der Softwarearchitektur für KI-Systeme und können diese
+bei Entwurf und Implementierung von Machine Learning und Generative KI-
+Systemen anwenden. Sie sind mithilfe der vermittelten kommunikativen Fähigkeiten
+in der Lage, eine einheitliche Sprache zwischen Data Scientists, KI-Expert:innen und
+Softwareentwickler:innen zu etablieren. Mit Hilfe der vermittelten
+Modellierungstechniken und Architekturwerkzeuge können sie KI-Komponenten
+nahtlos in bestehende Softwaresysteme integrieren. Die Schulung umfasst sowohl
+Machine Learning Systeme als auch Generative KI und vermittelt, wie diese mit
+klassischen Softwaresystemen kombiniert werden können. Die Teilnehmer:innen
+lernen, wie die Architektur für solche hybriden Systeme aussehen muss, um
+Skalierbarkeit, Wartbarkeit und Erweiterbarkeit zu gewährleisten.
+
 // end::DE[]
 
 // tag::EN[]
@@ -11,10 +24,3 @@ Am Ende des Moduls kennen die Teilnehmerinnen und Teilnehmer … und können …
 The module presents {curriculum-short} to the participants …
 At the end of the module, the participants know … and are able to …
 // end::EN[]
-
-
-[NOTE]
-====
-Hier bitte das Modul bzw. dessen Lerninhalte zusammenfassend in 5-8 Sätzen beschreiben. Dabei `{curriculum-name}`
-nicht entfernen, beim Zusammenbauen wird dieser Platzhalter mit dem Modulnamen ersetzt.
-====

docs/00b-basics/02-curriculum-structure-and-chronological-breakdown.adoc

@@ -1,17 +1,20 @@
 // tag::DE[]
-=== Struktur des Lehrplans und empfohlene zeitliche Aufteilung
+=== Gliederung des Lehrplans für SWArc4AI und empfohlene zeitliche Aufteilung
 
 [cols="<,>", options="header"]
 |===
 | Inhalt | Empfohlene Mindestdauer (min)
-| 1. Thema mit Einleitung | 180
-| 2. Thema über xz | 150
-| 3. Thema mit viel Theorie | 120
-| 4. Thema mit xy und Beispiel | 180
-| 5. Thema mit abc und d | 210
-| 6. Thema mit Abschlussbeispiel | 120
-| |
-| Summe | 960 (16h)
+| Einführung in softwarearchitekturrelevante Konzepte
+für Künstliche Intelligenz | 120
+| Compliance, Security, Alignment | 120
+| Architektur von KI-Systemen | 320
+| Datenmanagement und Datenverarbeitung für KI-
+Systeme | 90
+| Skalierbarkeit und Leistungsoptimierung von KI-
+Systemen | 160
+| Systemarchitekturen- und Plattformen für Generative KI-Systeme | 160
+| Fallstudien und Praxisprojekte | 110
+| Gesamt (3 Tage à 6 Stunden) | 1080
 
 |===
 
@@ -36,12 +39,3 @@
 |===
 
 // end::EN[]
-
-[NOTE]
-====
-Bitte die oben angegebene Tabelle entsprechend anpassen.
-
-= = =
-
-Please adjust the table above according to your curriculum.
-====

docs/00b-basics/03-timing-didactics-and-more.adoc

@@ -1,23 +1,14 @@
 
-[NOTE]
-====
-Bitte in dieser Datei nur die "**?**"-Platzhalter durch die Anzahl der Tage sowie die erreichbaren Punkte ersetzen. Ansonsten keine Änderungen vornehmen!
-====
-
-
-:recommended-duration-in-days: **?**
-:methodical-credits: **?**
-:technical-credits: **?**
-:communicative-credits: **?**
+:recommended-duration-in-days: 3
+:methodical-credits: 10
+:technical-credits: 20
+:communicative-credits: 0
 
 // tag::DE[]
-=== Dauer, Didaktik und weitere Details
+=== Struktur des Lehrplans und empfohlene zeitliche Aufteilung
 
-Die unten genannten Zeiten sind Empfehlungen. Die Dauer einer Schulung zum Modul {curriculum-short}
-sollte mindestens {recommended-duration-in-days} Tage betragen, kann aber länger sein.
-Anbieter können sich durch Dauer, Didaktik, Art und Aufbau der Übungen sowie der detaillierten Kursgliederung voneinander unterscheiden.
+Die Dauer einer Schulung zum Modul SWArc4AI sollte mindestens {recommended-duration-in-days} Tage betragen, kann aber länger sein. Anbieter können sich durch Dauer, Didaktik, Art und Aufbau der Übungen sowie der detaillierten Kursgliederung voneinander unterscheiden.
 Insbesondere die Art der Beispiele und Übungen lässt der Lehrplan komplett offen.
-
 Lizenzierte Schulungen zu {curriculum-short} tragen zur Zulassung zur abschließenden Advanced-Level-Zertifizierungsprüfung folgende Credit Points) bei:
 
 [stripes=none, frame=none, grid=rows]

docs/00b-basics/04-prerequisites-for-this-training.adoc

@@ -1,19 +1,17 @@
 // tag::DE[]
 === Voraussetzungen
 
-Teilnehmerinnen und Teilnehmer **sollten** folgende Kenntnisse und/oder Erfahrung mitbringen:
+Teilnehmer:innen **sollten** folgende Kenntnisse und/oder Erfahrung mitbringen:
 
-- Voraussetzung 1
-- Voraussetzung 2, etc.
+* Grundlegendes Wissen zu KI, Machine Learning und Data Science
+* Machine Learning Methoden wie Supervised, Unsupervised Learning und Reinforcement Learning, z.B Klassifikation, Clustering, Regression, Dimensionality Reduction
+* Grundsätzliches Wissen über die typischen Algorithmen wie: Linear/logistic regression, decision trees, random forests, support vector machines, K-means clustering, neural networks and deep learning
+* Wissen über Model evaluation: Cross-validation, Metrics (accuracy, precision, recall, F1-score), Bias-variance tradeoff
+* Erfahrung mit typischen Frameworks wie sk-learn, TensorFlow, PyTorch
+* Erfahrung mit Jupyter Notebooks oder ähnlichen Rapid Application Development (RAD) Werkzeugen
+* Wissen über die technischen Verfahren hinter KI, einschließlich: Maschinelles Lernen inkl. Deep Learning und LLMs, NLP-Ansätze (Natural Language Processing), Transformationsmodelle
+* Praktische Erfahrung mit Trainieren von Künstlichen Intelligenz Modellen
 
-**Hilfreich** für das Verständnis einiger Konzepte sind darüber hinaus:
-
-- Kenntnisgruppe 1:
-  * Kenntnis 1
-  * Erfahrung 2
-  * Kenntnis 3
-  * Erfahrung 4
-  * Wissen 5
 // end::DE[]
 
 // tag::EN[]
@@ -33,8 +31,3 @@ Knowledge in the following areas may be **helpful** for understanding some conce
   * Experience 4
   * Understanding 5
 // end::EN[]
-
-[NOTE]
-====
-Kenntnisgruppen sowie Voraussetzungen bitte entsprechend ausformulieren!
-====

docs/01-module-block-1/00-structure.adoc

@@ -4,14 +4,13 @@
 
 
 // tag::DE[]
-== Dies ist der Titel des ersten Moduls
+== Einführung in softwarearchitekturrelevante Konzepte für Künstliche Intelligenz
 // end::DE[]
 
 // tag::EN[]
 == This is the First Module's Title
 // end::EN[]
 
-
 include::01-duration-terms.adoc[{include_configuration}]
 
 include::02-learning-goals.adoc[{include_configuration}]

docs/01-module-block-1/01-duration-terms.adoc

@@ -1,10 +1,10 @@
 // tag::DE[]
 |===
-| Dauer: XXX Min. | Übungszeit: XXX Min.
+| Dauer: 120 Min. | Übungszeit: 0 Min.
 |===
 
 === Begriffe und Konzepte
-Begriff 1, Begriff 2, Begriff 3
+KI, Generative KI, Machine Learning, Symbolische KI, Evolutionäre Algorithmen, Statistical Learning, Deep Learning, LLMs, Halluzination, Bias, Jagged Technological Frontier, Data Preparation, Model Training, Model Evaluation, Feature Engineering, Data Science, Data Engineering
 
 // end::DE[]
 
@@ -16,14 +16,3 @@ Begriff 1, Begriff 2, Begriff 3
 === Terms and Principles
 Term 1, Term 2, Term 3
 // end::EN[]
-
-
-[NOTE]
-====
-Überschrift in 00-structure.adoc ersetzen
-====
-
-[NOTE]
-====
-Sinnvolle Zeiten für Dauer und Übungszeit eintragen, vernünftige Begriffe aufzählen.
-====

docs/01-module-block-1/02-learning-goals.adoc

@@ -1,16 +1,55 @@
 === {learning-goals}
 
 // tag::DE[]
+Die Teilnehmer:Innen …
+
 [[LZ-1-1]]
-==== LZ 1-1: Dies ist das erste Lernziel, in Kategorie xy
-Hier wird beschrieben, was Teilnehmer:innen in diesem Lernziel lernen sollen. Das kann in Prosa-Text
-in ganzen Sätzen oder in Aufzählungen mit Unterpunkten erfolgen. Dabei kann auch unterschieden werden,
-wie wichtig einzelne Aspekte des Lernziels sind. Es kann hier bereits auf Literatur verwiesen werden.
+==== LZ 1-1: Wissen wie man Künstliche Intelligenz definiert und die Anordnung zu Machine Learning, Data Science, Deep Learning, Generative AI.
+
+[[LZ-1-2]]
+==== LZ 1-2: Wissen, wie man typische allgemeine Use-Cases für KI spezifiziert, z.B. Bilderkennung & -erzeugung, Sprachverarbeitung, Vorhersagen, Personalisierung und Anomalieerkennung.
+
+[[LZ-1-3]]
+==== LZ 1-3: Kennen Einsatzmöglichkeiten in verschiedenen Branchen, z.B. Marketing, Medizin, Robotik und Content-Creation.
+
+[[LZ-1-4]]
+==== LZ 1-4: Kennen Einsatzmöglichkeiten in Endnutzeranwendungen, z.B. bSprachassistenten (Chatbots) und Empfehlungssysteme (Recommender Engine).
+
+[[LZ-1-5]]
+==== LZ 1-5: Wissen, wie man Risiken bei der Anwendung von KI (Halluzinationen, Bias, Fairness…) und gesellschaftlichen Risiken (Deepfakes, AI-enabled Cyberattacs, Safety Risks in Critical Systems, Social Manipulation, Intellectual Property Issues, etc.) identifiziert.
+
+[[LZ-1-6]]
+==== LZ 1-6: Kennen den Unterschied zu traditioneller Software:
+* Datengetrieben (bei ML) - Daten-zentrierte statt Code-zentrierte Entwicklung
+* Probabilistische Ergebnisse (Non-deterministic behavior)
+* Statistische Validierung
+* Experimentelles Design: Unterstützung für schnelle Iteration und Testen von Modellen.
+* Modellkomplexität und Interpretierbarkeit: ML-Modelle, insbesondere Deep-Learning-Modelle, können äußerst komplex sein. Der „Black-Box“-Charakter erschwert die Interpretierbarkeit und Erklärbarkeit.
+* Debugging und Tests sind aufgrund des Nichtdeterminismus komplexer.
+* Model Decay: Continuous monitoring und Retraining sind notwendig, um die Leistung der Modelle aufrecht zu erhalten.
+* AI-spezifische Regulatorik von Branchen und auf EU-Ebene müssen berücksichtigt werden.
+* Interoperabilität: Nahtlose Integration in bestehende Systeme und Technologiestacks.
 
-* Erstes Teilziel
-* Zweites Unterthema
-* Dritter Aspekt
+[[LZ-1-7]]
+==== LZ 1-7: Können beurteilen, ob ein Problem mittels KI oder klassischer SW-Entwicklung zu lösen ist.
 
+[[LZ-1-8]]
+==== LZ 1-8: Kennen typische Rollen und deren Aufgaben in diesen Kontexten: Data Scientist, Data Analyst, Data Engineer, Machine Learning Engineer, MLOps Engineer, AI Architect, Data Architect, Business Intelligence (BI) Developer, Data Governance Specialist, ML-Researcher.
+
+[[LZ-1-9]]
+==== LZ 1-9: Wissen, wie diese Rollen im Team zusammenarbeiten könnten (Team Topologies für ML-Teams).
+
+[[LZ-1-10]]
+==== LZ 1-10: Wissen, wie man KI Use Cases identifiziert und priorisiert.
+
+[[LZ-1-11]]
+==== LZ 1-11: Kennen KI Stärken und Grenzen (Jagged Technological Frontier).
+
+[[LZ-1-12]]
+==== LZ 1-12: Wissen wie man Künstliche Intelligenz definiert und die Anordnung zu Machine Learning, Data Science, Deep Learning, Generative AI.
+
+[[LZ-1-13]]
+==== LZ 1-13: Kennen Productivity J-Curve Konzept in Verbindung mit KI-Technologie (Dieses Phänomen hilft zu verstehen, warum Unternehmen bei der Implementierung von KI zunächst einen Produktivitätsrückgang verzeichnen können, dem bei der weiteren Entwicklung aber Produktivitätsgewinne folgen können.).
 
 // end::DE[]
 
@@ -19,8 +58,3 @@ wie wichtig einzelne Aspekte des Lernziels sind. Es kann hier bereits auf Litera
 ==== LG 1-1: The is the first learning goal, in category xy
 tbd.
 // end::EN[]
-
-[NOTE]
-====
-Die einzelnen Lernziele müssen nicht als einfache Aufzählungen mit Unterpunkten aufgeführt werden, sondern können auch gerne in ganzen Sätzen formuliert werden, welche die einzelnen Punkte (sofern möglich) integrieren.
-====

docs/01-module-block-1/references.adoc

@@ -1,18 +1,6 @@
 === {references}
 
-<<bass>>, <<bachmann>>, <<kruchten>>, <<starke>>
-
-
-
-[NOTE]
-====
-Eine Quelle wird über `\<<label>>` referenziert. Dieses muss in `99-references/00-references.adoc` definiert sein.
-
-= = =
-
-A reference source is referenced via `\<<label>>`. The label has to be defined in `99-references/00-references.adoc`.
-====
-
+<<roser>>,<<burkov>>,<<geron>>,<<kelleher>>,<<vaughan>>,<<bahree>>,<<harvard>>,<<dellacqua>>,<<visenger-one>>,<<visenger-two>>,<<agrawal>>,<<tan>>,<<chong>>,<<hall-chapter-one>>,<<huyen>>,<<wang>>
 
 // tag::DE[]
 // end::DE[]

docs/02-module-block-2/00-structure.adoc

@@ -3,7 +3,7 @@
 // ====================================================
 
 // tag::DE[]
-== Hier steht der Titel der zweiten Lerneinheit
+== Compliance, Security, Alignment
 // end::DE[]
 
 // tag::EN[]

docs/02-module-block-2/01-duration-terms.adoc

@@ -1,11 +1,10 @@
 // tag::DE[]
 |===
-| Dauer: XXX Min. | Übungszeit: XXX Min.
+| Dauer: 120 Min. | Übungszeit: 30 Min.
 |===
 
 === Begriffe und Konzepte
-Begriff 1, Begriff 2, Begriff 3
-
+EU AI Act, Datenschutz, Urheberrecht, Lizenz, Open (Source), AI Security, Jailbreak,Adversarial Attack, Data Poisoning, Model Inversion & Extraction, AI Safety, AI Ethics, AI Alignment, Model und Data Dokumentation, Transparenzpflicht, Human Oversight, Data Governance, AI Governance, AI Systems by Risk Levels (Prohibited, High-Risk, Limited Risk, Low-Risk)
 
 // end::DE[]
 
@@ -18,13 +17,3 @@ Begriff 1, Begriff 2, Begriff 3
 Term 1, Term 2, Term 3
 
 // end::EN[]
-
-[NOTE]
-====
-Überschrift in 00-structure.adoc ersetzen
-====
-
-[NOTE]
-====
-Sinnvolle Zeiten für Dauer und Übungszeit eintragen, vernünftige Begriffe aufzählen.
-====