AI+ Context Engineering - eLearning (inkludert eksamen)

2.990,00 NOK

  • 16 hours
eLæring

Mestre kontekstbevisste AI-systemer med AI+ Context Engineering™ Ta AI-kompetansen din videre enn enkel prompting, og lær å designe, bygge og drifte produksjonsklare, kontekstbevisste AI-løsninger. Denne sertifiseringen lærer deg å utvikle robuste kontekst-pipelines, håndtere minne og verktøy, og bygge skalerbare AI-systemer som leverer nøyaktige, pålitelige og effektive resultater i virkelige arbeidsflyter. Du får praktiske ferdigheter innen Retrieval-Augmented Generation (RAG), vektordatabaser, sikker virksomhetsintegrasjon, orkestrering av multi-agent-systemer og kodefrie kontekstarbeidsflyter – og blir rustet til å lede den neste bølgen av AI-innovasjon i bedriftsmiljøer.

Nøkkelfunksjoner

Språk

Kurs og materiell på engelsk

Nivå

Nybegynner–middels nivå

Tilgang

1 års tilgang til plattformen 24/7

8 timer med videoleksjoner og multimedia

Anbefaling om 16 timers studietid

e-bøker, lydbøker, podkaster

Prøver, vurderinger og kursressurser

Eksamen

Nettbasert overvåket eksamen med én gratis ny prøve

Sertifikat

Sertifikat på gjennomført kurs inkludert

Hero

Bli ekspert på AI+ kontekst­engineering for produksjonsklare AI‑systemer

Lær å utforme avanserte kontekst‑rammeverk som går lenger enn enkel prompting, og som effektivt håndterer instruksjoner, minne, verktøy og kunnskap for å sikre jevn og forutsigbar KI‑ytelse på tvers av økter og arbeidsflyter.

Driver AI-innovasjon

Læringsutbytte

Når du er ferdig med dette kurset, vil du kunne:

Grunnlaget for kontekstteknikk (utover prompting)

Oppdag hvordan du kan designe, styre og finjustere AI-kontekst dynamisk under kjøring, og gå utover enkle prompt til strukturert håndtering av instruksjoner, minne, verktøy og systemtilstand for pålitelig AI-ytelse.

Kontekstoptimalisering med W-S-C-I-rammeverket

Bruk kjerneprinsippene Skriv, Velg, Komprimer og Isoler for å øke relevans, nøyaktighet, effektivitet og sikkerhet i produksjonsklare AI-miljøer.

Utforming av minnearkitekturer for KI

Bygg effektive korttids- og langtidsminnesystemer ved hjelp av vektordatabaser, oppsummeringsteknikker og tilbakemeldingsmekanismer for å støtte personalisering, kontinuitet og kompleks resonnering.

Retrieval-Augmented Generation (RAG) og forankret KI

Utvikle pålitelige KI‑applikasjoner med RAG‑pipeliner, embedding‑modeller og vektordatabaser for å redusere hallusinasjoner og levere etterprøvbare, domenespesifikke svar.

End-to-end kontekstpipelines og orkestrering

Bygg omfattende kontekst‑arbeidsflyter – fra brukerforespørsel til innhenting, komprimering, responsgenerering og oppdatering av minne – ved å utnytte verktøy som LangChain, LangGraph og LlamaIndex.

Hero

Kursplan

  1. Grunnlaget for kontekstteknikk

    Leksjon 1

    • Introduksjon til kontekst­engineering utover tradisjonell prompt­engineering
    • Overgangen fra enkle prompt til fulle kontekst‑pipeliner
    • Kjerneelementer i kontekst: instruksjoner, kunnskap, verktøy og systemtilstand
    • Korttidsminne versus langtidsminne i LLM-baserte systemer
    • Viktige fordeler: forankring, relevans, kontinuitet og kostnadseffektivitet
    • Brukstilfelle: Utforming av en kontekstsensitiv AI-reiseassistent
    • Praktisk arbeid: Lage systeminstruksjoner og minnetilstander for en rollebasert KI-agent
  2. Rammeverk og metoder for konteksthåndtering

    Leksjon 2

    • W-S-C-I-rammeverket: Skriv, Velg, Komprimer, Isoler
    • SKRIV: Definere agentidentitet, personlighet, retningslinjer og tilstandskontroll
    • SELECT: Presis gjenfinning og metadatafiltrering
    • COMPRESS: Oppsummering, tokenoptimalisering og automatisk komprimering
    • ISOLER: Sett grenser for sikkerhet, fokus og kontekstbeskyttelse
    • Avanserte gjenfinningsstrategier: hybridsøk og semantisk oppdeling
    • Case-studie: Minnesystemer i ChatGPT og Claude
    • Praktisk: Bruke kontekstutvalg og komprimering med LangChain eller LlamaIndex
  3. Kontekstpipelines, RAG og arkitektur for forankret KI

    Leksjon 3

    • Utforming av den komplette kontekstpipen (input → gjenfinning → komprimering → sammensetting → respons → oppdatering)
    • Dypdykk i Retrieval-Augmented Generation (RAG)-systemer
    • Arbeid med vektordatabaser som Pinecone og Chroma, og embedding-modeller
    • Identifisering av grunnlagsfeil: hallusinasjoner, kontekstforgiftning, distraksjon
    • Avbøtende teknikker: omrangering, sporbarhet for opprinnelse og kontekstdiganostikk
    • Case-studie: Anthropics Multi-Agent Researcher (MAR)
    • Praktisk: Bygging av en RAG-pipeline med vektorsøk og forankrede svar
  4. Optimalisering, skalering og bedriftsimplementering

    Leksjon 4

    • Håndtering av tokenbruk og strategier for kostnadsoptimalisering
    • Konstekstskalering og Model Context Protocol (MCP)
    • Sikkerhet og etterlevelse: filtrering og sladding av personopplysninger (PII), samt rollebasert tilgang
    • Konfliktløsning og opprettholdelse av kontekstkonsistens
    • Håndtering av multimodal kontekst (tekst, tabeller, PDF-er, videotranskripsjoner)
    • Case-studier: Walmarts «Ask Sam» og Morgan Stanley Knowledge Assistant
    • Praktisk: Implementering av sikker, rollebasert kontekstfiltrering og -henting
  5. Context Flow-design for forretnings- og no-code-brukere

    Leksjon 5

    • Gjør forretningsprosesser om til AI-klare kontekstuelle arbeidsflyter
    • Kontekstflytdiagrammer (CFD-er) og automatisert arbeidsflytarkitektur (AWA)
    • Visuell implementering av W-S-C-I ved hjelp av no-code-verktøy (n8n, Make, Zapier)
    • Bruke kontekstmaler for strukturerte og konsistente resultater
    • Brukstilfelle: Bygge en dynamisk assistent for kundeonboarding
    • Case-studier: automatisering av Airbnb-støtte og utlån til SMB-er hos HSBC
    • Praktisk: Lage en kontekstflyt ved hjelp av no-code orkestreringsverktøy
  6. Industrielle anvendelser av kontekstteknikk

    Leksjon 6

    • Bruk av kontekstteknikk i regulerte miljøer
    • Helsevesen: klinisk beslutningsstøtte og isolering av sensitiv pasientinformasjon
    • Finans: samsvarsoppsummering, markedsanalyse og verktøybasert kontekst
    • Jus og utdanning: presisjonssøk og personlige læringssystemer
    • Risikoredusering: håndtering av kontekstforgiftning og kontekstkonflikter
    • Utforming av avansert agentminne for oppgaver med lang tidshorisont
    • Case-studier: Activeloop (juridisk/IP) og Five Sigma (forsikring)
  7. Multi-agent-systemer og fremtidige arkitekturer

    Leksjon 7

    • Hvorfor monolittiske agenter feiler: håndtering av kontekstkollaps
    • Multi-agent-systemer (MAS) og strategier for kontekstisolasjon
    • Agentroller: ruter, planlegger, utfører
    • Agent-til-agent-teknikker for kontekstkomprimering
    • Styring, retningslinjer og sikkerhet mellom agenter
    • Etikk, reduksjon av skjevhet og sporbarhet til kilder
    • Case-studier: IBM Watson Orchestrate og systemer for orkestrering av bedriftskontekst
    • Karriereveier: Context-arkitekt og roller innen KI-styring
  8. Avsluttende prosjekt og sertifisering

    Leksjon 8

    • Capstone-oversikt: bygging av et kontekstsensitivt multiagentsystem
    • Prosjektbygg: spørringsruter med finansielle beregninger og policy-basert RAG ved bruk av n8n
    • Presentasjon, fagfellevurdering og ekspertvurdering
    • Avsluttende vurdering og sertifisering i AI+ kontekstteknikk

Utforskede verktøy

  • LangChain og LangGraph
  • LlamaIndex
  • Vektordatabaser (Pinecone, Chroma)
  • n8n, Zapier, Make.com
  • Innebyggingsmodeller og RAG-pipelines
  • Plattformer for kodefri automatisering
  • Enterprise-data- og API-integrasjoner
AI-kontekstkonstruksjon

Hvem bør melde seg på dette programmet?

AI-ingeniører og LLM-utviklere

Produktsjefer og AI-arkitekter

Data- og plattformingeniører

Enterprise- og løsningsarkitekter

AI-konsulenter og tekniske ledere

Avanserte no-code- og automasjonsutviklere

Start kurset nå

Flere detaljer

Forutsetninger

  • Grunnleggende programmeringsferdigheter – Erfaring med Python, Java eller tilsvarende programmeringsspråk.
  • Grunnleggende forståelse av KI – Kjennskap til sentrale begreper innen kunstig intelligens og maskinlæring.
  • Erfaring med databehandling – Evne til å håndtere datasett og bruke grunnleggende metoder for datapreprosessering.
  • IoT-bevissthet – Forståelse av Internet of Things (IoT)-systemer og -applikasjoner.
  • Kjennskap til skyplattformer – Grunnleggende erfaring med skybaserte KI-verktøy og -tjenester.

Eksamensdetaljer

  • Varighet: 90 minutter
  • Bestått: 70 % (35/50)
  • Format: 50 flervalgs- og flersvarsoppgaver
  • Leveringsmetode: På nett via overvåket eksamensplattform (fleksibel tidsplanlegging)
  • Språk: engelsk

Lisensiering og akkreditering

Dette kurset tilbys av AVC i henhold til Partnerprogramavtalen og er i samsvar med kravene i Lisensavtalen.

Likestillingspolicy

AVC tilbyr ikke tilrettelegging på grunn av funksjonsnedsettelse eller medisinske forhold for noen studenter. Kandidater oppfordres til å ta kontakt med AVC for veiledning og støtte gjennom hele tilretteleggingsprosessen.


Ofte stilte spørsmål

Contact background

Trenger du bedriftsløsninger eller LMS-integrasjon?

Fant du ikke kurset eller programmet som ville være passende for din bedrift? Trenger du LMS-integrasjon? Ta kontakt med oss! Vi er agile og løser alt!