Meistern Sie Quantencomputing, KI & Sicherheit
in maßgeschneiderten Live-Sessions

Was Sie lernen

Vergessen Sie die Mystik. Vergessen Sie die Erzählungen von „Quantum ist Magie". In 90 Minuten verstehen Sie die grundlegende Funktionsweise des Quantencomputings anhand von Denkmodellen, die wirklich hängen bleiben.

Wir entmystifizieren Superposition, Verschränkung und Quantengatter — nicht mit schwerer Mathematik, sondern mit eingängigen Analogien und anschaulichen Modellen, die einleuchten. Sie sehen, warum sich Qubits anders verhalten als klassische Bits, verstehen, was Quantenüberlegenheit wirklich bedeutet, und erkennen die Grenzen, die in Marketingbroschüren gern verschwiegen werden.

Das ist keine Physikvorlesung, sondern ein strategisches Briefing über eine Technologie, die Kryptografie, Optimierung und Materialwissenschaft bereits heute umkrempelt.

Für wen geeignet

• Technische Führungskräfte, die Quanteninvestitionen bewerten
• Softwareentwickler, die sich für die Grundlagen von Quantum interessieren
• Produktmanager, die quantennahe Funktionen abstecken
• Alle, die den Quantum-Hype satthaben und echtes Verständnis wollen

Was Sie mitnehmen

• Ein klares mentales Modell davon, wie Qubits tatsächlich funktionieren
• Verständnis, wann Quantencomputing nützlich ist (und wann nicht)
• Die Fähigkeit, Aussagen von Quantenanbietern kritisch zu bewerten
• Eine Grundlage für tiefergehende technische Erkundung

Was Sie lernen

Wir erklären nicht bloß, wie der Algorithmus von David Deutsch funktioniert. Wir zeigen Ihnen, wie er ihn aufgebaut hat — Schritt für Schritt, Gatter für Gatter.

Hier wird selbst gebaut. Gemeinsam entwickeln wir einen Quantenrechner von Grund auf. Sie lernen, Quantenalgorithmen zu entwerfen, indem Sie sie konstruieren — nicht, indem Sie darüber lesen. Wir gehen den realen Schaltkreisentwurf durch: Gatter auswählen, Messungen strukturieren und Quantenzustände über ihre gesamte Entwicklung hinweg im Griff behalten.

Für wen geeignet

• Entwickler, die bereit sind, über die Quantentheorie hinauszugehen
• Ingenieure, die durch Bauen lernen, nicht durch Lesen
• Technische Leiter, die praktische Quantenerfahrung benötigen
• Alle, die von „nur erklärenden" Quantenkursen frustriert sind

Was Sie mitnehmen

• Erfahrung im Aufbau echter Quantenschaltkreise von Grund auf
• Verständnis algorithmischer Entwurfsmuster
• Praktische Fähigkeiten im Aufbau von Quantenschaltkreisen
• Die Sicherheit, eigene Quantenalgorithmen als Prototyp zu entwickeln

Was Sie lernen

Die Theorie endet, wo das Projekt beginnt. Dies ist die Session darüber, was tatsächlich passiert, wenn Sie heute versuchen, Quantum-KI-Hybridlösungen auszuliefern.

Wir durchlaufen einen realen Projektlebenszyklus: Problemabgrenzung, Algorithmenauswahl, Hardwarezugang, klassische Vorverarbeitung, Quantenausführung, Nachverarbeitung und Ergebnisvalidierung. Sie sehen die Tooling-Landschaft — Simulatoren, Cloud-Quantenanbieter, Hybrid-Frameworks — und verstehen, wo die Reibungspunkte liegen.

Für wen geeignet

• Technische Architekten, die Quantum-KI-Systeme entwerfen
• Projektmanager, die Quanten-Piloten abstecken
• Forschende, die von der Wissenschaft in die Industrie wechseln
• Teams, die sich auf ihr erstes Quantenprojekt vorbereiten

Was Sie mitnehmen

• Durchgängiges Verständnis von Quantenprojekt-Workflows
• Realistische Einschätzung des aktuellen technologischen Reifegrads
• Praktische Strategien für hybride klassisch-quantenbasierte Systeme
• Die Fähigkeit, Piloten mit klaren Erfolgskriterien abzustecken

Was Sie lernen

Wir beginnen mit einer geometrischen, anschaulichen Deutung des Qubits, sodass die abstrakte Notation ihren rätselhaften Charakter verliert und tatsächlich vorhersagekräftig wird. Vom Zustand eines einzelnen Qubits arbeiten wir uns zur Darstellung auf der Bloch sphere vor und übertragen dieses Bild anschließend auf das, was Sie bei einer Messung wirklich beobachten: Basen, Wahrscheinlichkeiten und die Abbildung von Amplituden auf Ergebnisse.

Für wen geeignet

• Technische Führungskräfte, die über das Verhalten auf Hardwareebene argumentieren müssen
• Softwareentwickler, die von Bits zu Qubits wechseln
• Forschende und Studierende, die Intuition vor Beweisen wollen
• Alle, die visuell über das Verhalten einzelner Qubits argumentieren möchten

Was Sie mitnehmen

• Ein dauerhaftes geometrisches Modell von Einzel-Qubit-Zuständen und -Entwicklungen (Sicherheit mit der Bloch sphere)
• Klare Intuition für Messung, Basiswahl und Wahrscheinlichkeitsabbildung
• Die Fähigkeit, die Ergebnisse elementarer Einzel-Qubit-Schaltkreise vorherzusagen

Was Sie lernen

Gehen Sie von „was ein Qubit ist" zu „wie wir Qubits zum Rechnen verwenden". Wir behandeln Gatter als explizite lineare Abbildungen (Unitäre) und zeigen, wie man ihre Wirkung auf Zustände Schritt für Schritt berechnet.

Für wen geeignet

• Ingenieure, die Quanten-Subroutinen bauen oder integrieren
• Algorithmenentwickler, die Konzepte in Schaltkreise übersetzen
• Produkt- und Projektleiter, die Machbarkeit und Umsetzungsaufwand abschätzen
• Alle, die von Black-Box-Algorithmen zu umsetzbaren Designs auf Gatterebene wechseln möchten

Was Sie mitnehmen

• Praktische Methoden, um die Wirkung von Gattern zu berechnen und Schaltkreise von Hand zu komponieren
• Sicherheit, die Zustandsentwicklung durch mehrgattrige Sequenzen nachzuverfolgen
• Die Fähigkeit, algorithmische Behauptungen durch Inspektion von Schaltkreisen statt von Folien zu bewerten

Was Sie lernen

Diese Session führt von „wie wir rechnen" zu „was Berechnung kostet und was aus ihr werden kann". Wir erläutern die kontrafaktische Quantenberechnung in klaren, anschaulichen Begriffen — was Experimente belegen und welche praktischen Grenzen bestehen bleiben.

Sie erhalten eine verständliche Einführung in das Landauer-Prinzip und die logische Reversibilität: warum das Löschen von Information Energie kostet, warum Reversibilität für Quantenarchitekturen entscheidend ist und wie die Thermodynamik die Kosten-Nutzen-Abwägung zwischen Quanten- und klassischem Rechnen in ein neues Licht rückt.

Für wen geeignet

• Führungskräfte und Strategen, die mittel- und langfristige Auswirkungen bewerten
• Forschende und Ingenieure mit Interesse an physikalischen Grenzen und neuen Paradigmen
• Produktteams, die ausloten, wo quantengestützte Funktionen pilotiert werden sollen
• Alle, die neugierig auf die Grenze zwischen theoretischer Möglichkeit und kommerzieller Realität sind

Was Sie mitnehmen

• Klare Intuition für kontrafaktische Berechnung und was sie wirklich demonstriert
• Verständnis der Landauer-Grenze, der logischen Reversibilität und warum diese für den Systementwurf wichtig sind
• Einen strukturierten Überblick über aktuelle, realistische Quanten-Anwendungsfälle und die Kennzahlen, an denen sie zu messen sind

Was Sie lernen

Jede Woche erzählt Ihnen jemand, ein LLM „verstehe" etwas, „halluziniere" oder „denke nach". Die meisten dieser Aussagen sind falsch — weil die sprechende Person keine Ahnung hat, was tatsächlich im Modell geschieht. Diese Session schafft Abhilfe.

Wir öffnen die Black Box. Beginnend mit der Tokenisierung — wie roher Text zu ganzen Zahlen wird — durchlaufen wir die Transformer-Architektur Schritt für Schritt: Embeddings, Attention-Heads, Feed-Forward-Schichten und wie das Modell entscheidet, welches Token als Nächstes kommt. Wir verwenden BabyTransformer, ein minimales GPT in reinem Python, um jedes Konzept konkret und beobachtbar zu machen.

Sie sehen, wie sich die Gewichtsmatrizen W_Q, W_K und W_V über 1000 Trainingsschritte aus zufälligem Rauschen zu strukturiertem Wissen entwickeln. Sie verstehen, warum eine rein oberflächliche Betrachtung für jeden, der echte Entscheidungen über KI trifft, schnell an ihre Grenzen stößt — und warum der Blick auf die internen Abläufe alles verändert.

Für wen geeignet

• Technische Führungskräfte, die über das LLM-Verhalten argumentieren wollen, nicht nur Prompts schreiben
• Ingenieure, die auf LLM-APIs aufbauen und verstehen wollen, was sie aufrufen
• Produktmanager, die Funktionsentscheidungen rund um KI-generierte Inhalte treffen
• Alle, die die Erzählung von der „magischen Blackbox" satthaben und bereit sind, hineinzuschauen

Was Sie mitnehmen

• Ein klares mentales Modell der Transformer-Architektur — Attention, Embeddings, MLP-Blöcke
• Verständnis der Tokenisierung und warum sie für Kosten, Qualität und Grenzfälle wichtig ist
• Die Fähigkeit, Aussagen von LLM-Anbietern und Architekturentscheidungen kritisch zu bewerten

Was Sie lernen

LLMs sind leistungsstark — aber sie haben einen Wissensstichtag und haben Ihre Daten nie gesehen. RAG behebt das. In dieser Session bauen wir eine vollständige RAG-Pipeline von Grund auf und machen jede Komponente sichtbar und erklärbar.

Wir behandeln die gesamte Pipeline: Dokumentenladen, Textsplitting-Strategien (und warum die Chunk-Größe wichtiger ist, als Sie denken), Embedding-Modelle, Vektorspeicher, Retrieval-Strategien einschließlich MMR und Cross-Encoder-Reranking, Prompt-Engineering für fundierte Antworten sowie konversationelles RAG mit verlaufsbewusstem Retrieval.

Wir verwenden LangChain als Orchestrierungsschicht, ChromaDB als Vektorspeicher und HuggingFace-Embeddings — sodass die gesamte Pipeline lokal läuft, mit null Token-Kosten für die Datenverarbeitungsschritte.

Für wen geeignet

• Ingenieure, die interne Wissensdatenbanken oder Dokumenten-Q&A-Systeme bauen
• Architekten, die KI-gestützte Workflows über proprietäre Daten entwerfen
• Technische Leiter, die RAG-Frameworks und Vektorspeicher-Optionen bewerten
• Alle, die ein RAG-System genutzt haben und verstehen wollen, was tatsächlich geschieht

Was Sie mitnehmen

• Eine funktionierende RAG-Pipeline, Schritt für Schritt gebaut — Laden, Chunking, Embedding, Retrieval, Generierung
• Verständnis von Retrieval-Strategien: Ähnlichkeitssuche, MMR, Schwellenwertfilterung, Cross-Encoder-Reranking
• Zitationsbewusstes Prompt-Design — jede Antwort lässt sich bis zur genauen Quelle zurückverfolgen
• Konversationelles RAG mit verlaufsbewusster Frageumformulierung

Was Sie lernen

Der häufigste Grund, warum RAG-Systeme scheitern, ist kein schlechter Prompt oder ein schwaches LLM. Es sind schlechte Daten. Schlecht geladene Dokumente, fehlausgerichtete Chunks und fehlende Metadaten verschlechtern still und leise die Retrieval-Qualität, noch bevor das Modell überhaupt ins Spiel kommt. Diese Session schafft Abhilfe.

Wir entwerfen eine Verzeichnisstruktur, die Metadaten im Pfad selbst kodiert — Kategorie, Unterkategorie, Version, alles automatisch abgeleitet ohne manuelles Tagging. Anschließend bauen wir einen automatisierten Loader, der den gesamten Baum durchläuft, anhand von Inhalts-Hashes dedupliziert, Rohtext bereinigt und jeden Chunk mit einem vollständigen Metadatenschema anreichert.

Wir verwenden Elasticsearch als Vektorspeicher — Hybridsuche (Vektor + BM25), Metadatenfilterung und vollständiger Audit-Trail. Jede Antwort wird bis zum exakten Quelldokument, Chunk-Index und Kategorie zurückverfolgt.

Für wen geeignet

• Ingenieure, die Enterprise-RAG-Systeme über große Dokumentenbestände bauen
• Data Engineers, die für Ingestion-Pipelines von Wissensdatenbanken verantwortlich sind
• Architekten, die zwischen Vektorspeicher-Optionen für Produktionslasten wählen
• Technische Leiter, die Audit-Trails und Quellennachverfolgbarkeit für Compliance benötigen

Was Sie mitnehmen

• Eine Konvention für die Verzeichnisstruktur, mit der Metadaten ganz von selbst entstehen — ohne manuelles Tagging
• Ein vollständiges ChunkMetadata-Schema, in dem jedes Feld erklärt und begründet ist
• Ein Auto-Loader mit Deduplizierung, Bereinigung, Chunking und Anreicherung in einer Pipeline
• Elasticsearch-Integration mit Metadatenfiltern und zitationsbewusstem Retrieval
• Ein Nachverfolgbarkeitsbericht: jede Antwort zurückverfolgt bis zur exakten Quelle, zum Chunk und zur Kategorie