Master in Technische NLP-Entwicklung und Engineering-Assistenten
Online-Masterprogramm mit 1.900 Stunden in technischer NLP-Entwicklung und Engineering-Assistenten: 12 Module zu Computerlinguistik, Transformer-Modellen, RAG über technische Dokumentation, Informationsextraktion, Feinabstimmung, Agenten, LLMOps und KI-Governance gemäß EU-KI-Verordnung, ISO/IEC 42001 und NIST AI RMF, mit einem zugewiesenen technischen Tutor.
Master in Technische NLP-Entwicklung und Engineering-Assistenten — Studium aus Österreich
Datenanalyse, künstliche Intelligenz und Simulation sind in Österreich fester Bestandteil vieler Industrieprozesse, von der Produktion bis zur Mobilität. Forschungseinrichtungen wie das Austrian Institute of Technology und die Universitäten Wien, Linz und Graz treiben Methoden für maschinelles Lernen und digitale Zwillinge voran. Unternehmen im Bereich Industrie 4.0 und Energietechnik setzen diese Verfahren zur Prozessoptimierung ein. Der Datenschutz wird durch die Datenschutzbehörde und die europäische Datenschutz-Grundverordnung geregelt.
Gebühren für Österreich: € 9.930 (Euro), mit Ratenzahlung und Kostenbeteiligung durch den Arbeitgeber.
Relevante Stellen in Österreich
Typische Tätigkeitsfelder
Fragen aus Österreich
Gibt es in Österreich eine staatliche Regelung für KI- und Datenberufe?
Es gibt keinen allgemein geschützten Titel für Data Scientists in Österreich. Die rechtlichen Rahmen betreffen vor allem Datenschutz und die EU-KI-Verordnung, überwacht unter anderem von der Datenschutzbehörde. Ein privates Zertifikat ist keine staatliche Qualifikation und wird vom Arbeitgeber bewertet.
Welche Arbeitgeber in Österreich setzen auf Daten- und KI-Kompetenzen?
Gesucht werden Fachkräfte bei Banken, Versicherungen, Industrieunternehmen, Forschungseinrichtungen und Software-Firmen, etwa in Wien und Linz. Ob ein privates Zertifikat anerkannt wird, entscheidet der Arbeitgeber. Es ist keine Garantie für Anstellung.
Kann ich das Programm neben meiner Arbeit absolvieren?
Ja, das Studium ist online und auf Englisch, ohne Visum von Österreich aus. Die Workload liegt bei 300 bis 1.900 Stunden, daher ist Zeitplanung wichtig. Gebühren können in Raten bezahlt werden, und Arbeitgeberfinanzierung ist möglich.
Übernehmen Sie die Kontrolle.
Führen Sie einen echten ingenieurtechnischen Zielkonflikt aus diesem Fachgebiet durch. Bewegen Sie die Regler, beobachten Sie die Reaktion des Modells in Echtzeit und meistern Sie die Herausforderung.
Was Sie danach können
Sprachverarbeitungs-Pipelines für technische Dokumentation entwerfen.
RAG-Assistenten entwickeln, deren Zitate bis zu Normen und Handbüchern nachvollziehbar sind.
Anforderungen, Tabellen und Stücklisten aus unstrukturierten Dokumenten extrahieren.
Sprachmodelle durch effiziente Feinabstimmung an die Domäne anpassen.
Agenten orchestrieren, die Berechnungs-, CAD- und PLM-Werkzeuge nutzen.
Zuverlässigkeit, Sicherheit und Verzerrungen von Assistenten im Produktivbetrieb bewerten.
Engineering-Assistenten unter Einhaltung der europäischen KI-Verordnung bereitstellen.
Für wen es gedacht ist
- NLP-Ingenieure, die in technische Dokumentation und Engineering-Assistenten einsteigen.
- LLMOps-Ingenieure, die Sprachmodelle im Produktivbetrieb verantworten.
- Entwickler technischer Assistenten für Engineering-Teams.
- Spezialisten für technisches Wissensmanagement.
- Architekten für generative KI-Lösungen.
- Verantwortliche für KI-Governance in Industrieunternehmen.
- Absolventen der Ingenieur- oder Naturwissenschaften, die in die technische Beratung einsteigen möchten.
Womit Sie arbeiten
- Verordnung (EU) 2024/1689 (europäisches KI-Gesetz)
- ISO/IEC 42001:2023 (Managementsysteme für KI)
- NIST AI RMF 1.0 (Rahmenwerk für das KI-Risikomanagement)
- ISO/IEC 23894:2023 (Leitlinien zum KI-Risikomanagement)
- Verordnung (EU) 2016/679 – DSGVO (Schutz personenbezogener Daten)
- ISO/IEC 22989:2022 (KI-Konzepte und Terminologie)
- ISO/IEC 27001:2022 (Managementsysteme für Informationssicherheit)
- Hugging Face Transformers
- spaCy
- LangChain
- vLLM
- Qdrant
12 modules · 1900 h
1.1Tokenisierung technischer Dokumentation und Einheiten1.2Morphologie, Lemmatisierung und Fachterminologie1.3Dependenzanalyse schriftlicher Anforderungen1.4Named-Entity-Erkennung in Normen und Datenblättern1.5Vektorrepräsentationen: word2vec, fastText und GloVe1.6Technische Korpora: Handbücher, Spezifikationen und Tickets1.7Korpusannotation und Übereinstimmung zwischen Annotatoren1.8Regelbasierte Extraktion und reguläre Ausdrücke1.9Bewertungsmetriken: Precision, Recall und F11.10Labor: spaCy-Pipeline auf Wartungshandbüchern
2.1Aufmerksamkeitsmechanismus und Multi-Head-Self-Attention2.2Encoder im BERT-Stil und Decoder im GPT-Stil2.3Maskierte und kausale Vortrainingsziele2.4BPE-, WordPiece- und SentencePiece-Tokenizer2.5Kontextfenster und RoPE-Positionskodierung2.6Skalierungsgesetze und Wahl der Modellgröße2.7Offene Modelle: Llama, Mistral und Qwen2.8Quantisierung mit GPTQ und AWQ sowie das GGUF-Format2.9Effiziente Inferenz mit vLLM und KV-Cache2.10Praxis: Bereitstellung eines offenen Modells auf einer lokalen GPU
3.1Zero-Shot-, Few-Shot- und schrittweises Reasoning-Prompting3.2System-Nachrichten und Steuerung des Stils3.3JSON-Ausgaben, validiert mit Pydantic-Schemata3.4Funktionsaufrufe und Werkzeugnutzung3.5Umgang mit Einheiten und Größen in Antworten3.6Reduzierung von Halluzinationen durch explizite Vorgaben3.7Versionierung von Prompts und Regressionstests3.8Prompt-Injection und grundlegende Abwehrmaßnahmen3.9Kosten pro Token und Optimierung der Latenz3.10Workshop: Anforderungsextraktor mit validiertem JSON-Ergebnis
4.1Aufnahme von PDFs, Zeichnungen und Datenblättern4.2Semantische und an der Dokumentstruktur ausgerichtete Segmentierung (Chunking)4.3Embedding-Modelle und domänenbezogene Auswahl4.4Vektordatenbanken: FAISS, Qdrant und pgvector4.5Hybride BM25-Suche mit dichter Retrieval-Suche4.6Neuordnung von Textpassagen mit Cross-Encodern4.7Zitate, die bis zur Klausel und Seite nachvollziehbar sind4.8Inkrementelle Aktualisierung des Dokumentenindex4.9RAG-Bewertung mit Ragas: Treue und Relevanz4.10Labor: RAG-Assistent für interne Normen
5.1Klassifizierung von Anforderungen mit EARS-Syntax5.2Tabellen in PDFs: Camelot, pdfplumber und OCR5.3Auslesen von Schriftfeldern und Stücklisten5.4Normalisierung physikalischer Einheiten mit Pint5.5Erkennung von Mehrdeutigkeiten in technischen Spezifikationen5.6Beziehungen zwischen Komponenten und Wissensgraphen5.7Technische Ontologien und kontrollierte Vokabulare5.8Verknüpfung mit PLM-Teilenummern5.9Menschliche Validierung und Korrekturschleifen5.10Fallstudie: strukturierte Stückliste aus gescannten Spezifikationen
6.1Wann das Modell feinabgestimmt und wann Retrieval eingesetzt wird6.2Instruktionsdatensätze aus technischen Berichten6.3LoRA- und QLoRA-Adapter mit PEFT6.4Überwachte Feinabstimmung und Chat-Vorlagen6.5Präferenzausrichtung über DPO6.6Synthetische Daten und Kontrolle von Kontamination6.7Katastrophales Vergessen und Regressionsbewertung6.8Destillation in kleine, einsetzbare Modelle6.9Experimentverfolgung mit MLflow6.10Praxis: QLoRA auf Störungsberichten
7.1ReAct- und Planer-Ausführer-Muster7.2Integration von Rechnern und numerischen Lösern7.3Generierte SQL-Abfragen über technische Datenbanken7.4Anbindung an CAD- und PLM-APIs7.5MCP-Protokoll zur Bereitstellung von Werkzeugen7.6Gesprächsspeicher und Aufgabenstatus7.7Grenzen der Autonomie und menschliche Freigabe7.8Nachverfolgung und Beobachtbarkeit mit Langfuse7.9Fehlerbehandlung und Wiederholungen bei Werkzeugaufrufen7.10Workshop: Agent, der ein Bauteil dimensioniert und dokumentiert
8.1Erzeugung von Python-Skripten für die CAE-Vorverarbeitung8.2Makros für FreeCAD und CAD-APIs8.3Unterstützung bei der SPS-Programmierung nach IEC 61131-38.4Generierte Unit-Tests und Code-Review8.5Statische Analyse und Erkennung unsicheren Codes8.6Aus Code generierte technische Dokumentation8.7Codelizenzen und geistiges Eigentum8.8Integration in IDEs und Review-Workflows8.9Kennzahlen zu Produktivität und Codequalität8.10Praxis: Automatisierung der Vernetzung mit einem LLM
9.1Eigene Bewertungsdatensätze für die Domäne9.2LLM-as-a-Judge und seine Verzerrungen9.3Kalibrierung der Konfidenz und kontrollierte Enthaltung9.4Adversarial Testing und Red Teaming9.5Datenabfluss und Datenschutz bei Dokumenten9.6OWASP-Top-10-Risiken für LLMs9.7Risikomanagement gemäß NIST AI RMF9.8Überwachung von Drift im Produktivbetrieb9.9Nachvollziehbarkeit für regulierte Branchen9.10Fallstudie: Prüfung eines Wartungsassistenten
10.1Cloud- gegenüber On-Premise-Architektur10.2Container, Kubernetes und GPU-Skalierung10.3Modell-Gateways und kostenbasiertes Routing10.4Semantisches Caching und Latenzkontrolle10.5Verwaltung von Geheimnissen und Zugriffskontrolle10.6Canary-Deployment und A/B-Tests10.7Audit-Protokollierung der Interaktionen10.8Gesamtbetriebskosten des Assistenten10.9Energieverbrauch der Inferenz10.10Labor: Bereitstellung mit vLLM und Kubernetes
11.1Der europäische KI-Verordnungsentwurf bzw. die KI-Verordnung und Risikostufen11.2KI-Managementsysteme gemäß ISO/IEC 4200111.3Schutz personenbezogener Daten in Assistenten11.4Urheberrecht an Normen und Handbüchern11.5Gestaltung der Interaktion und Vertrauen der Nutzer11.6Change-Management in technischen Büros11.7KI-Kompetenz für Ingenieure11.8Return on Investment und Business Case11.9Modellkarten und Systemdokumentation11.10Fallstudie: Umsetzungsplan in einem Ingenieurbüro
12.1Festlegung des Anwendungsfalls und des Umfangs12.2Erhebung und Lizenzierung des technischen Korpus12.3Architekturentwurf des Assistenten12.4Umsetzung des funktionalen Prototyps12.5Bewertungsplan und Erfolgskennzahlen12.6Erprobung mit echten Ingenieurnutzern12.7Risikoanalyse und Einhaltung gesetzlicher Vorgaben12.8Code-Dokumentation und Reproduzierbarkeit12.9Bericht zur Masterarbeit12.10Masterarbeit: Verteidigung vor einem Prüfungsausschuss
Wie Sie lernen
100 % Online-Unterricht auf dem SEIUM-Campus, mit herunterladbaren Materialien, aufgezeichneten Vorlesungen und einem zugewiesenen technischen Tutor. Es gibt keine festen Stundenpläne: Sie schreiten innerhalb jedes Jahrgangs in Ihrem eigenen Tempo voran, sodass sich das Programm mit einer Berufstätigkeit vereinbaren lässt.
Jedes Modul verbindet Theorie, angeleitetes Lesen des Originalstandards und praxisnahe Übungen. Die eingesetzte Software sind Hugging Face Transformers, spaCy, LangChain, vLLM und Qdrant in kostenlosen, akademischen oder Evaluierungsversionen. Die Prüfungen orientieren sich an realen Abläufen: Bewertung von Assistenten anhand realer technischer Korpora, Erprobung mit Ingenieuren in technischen Büros sowie Prüfung der Antworten anhand der zitierten Normen. Die Bewertung erfolgt modulbegleitend laufend sowie durch die abschließende Masterarbeit.
Abgedeckte Normen: Verordnung (EU) 2024/1689 über künstliche Intelligenz, ISO/IEC 42001:2023, NIST AI RMF 1.0, ISO/IEC 23894:2023, Verordnung (EU) 2016/679 (DSGVO), ISO/IEC 22989:2022, ISO/IEC 27001:2022.
Von Anfang bis Ende umsetzen
Ihr Abschlussprojekt folgt dem realen Ingenieursablauf Schritt für Schritt und wird von Ihrem Tutor begleitet und geprüft.
Wohin es Sie führt
Voraussetzungen
- Ein Hochschulabschluss in Ingenieurwesen, Naturwissenschaften oder Architektur oder gleichwertige, nachweisbare Berufserfahrung.
- Eine Internetverbindung und ein Computer, der die Software des Programms ausführen kann.
- Englischkenntnisse, die für das Lesen technischer Normen ausreichen.
Bereit zu starten?
Senden Sie noch heute Ihre Bewerbung. Unser Zulassungsteam antwortet Ihnen innerhalb von 72 Stunden mit Ihrem Studienplan und den Finanzierungsmöglichkeiten.
Häufig gestellte Fragen
Das Programm umfasst insgesamt 1.900 Stunden über 12–14 Monate. Innerhalb jedes Jahrgangs bestimmen Sie Ihr eigenes Tempo, und Ihr Betreuer hilft Ihnen, den Arbeitsaufwand in Ihren Berufsalltag einzuplanen.
Sie arbeiten mit Hugging Face Transformers, spaCy, LangChain, vLLM und Qdrant in kostenlosen, akademischen oder Testversionen. Wo es eine kostenlose Alternative gibt, nennt Ihr Betreuer sie Ihnen.
Ein Diplom des SEIUM Institute, das nach bestandener kontinuierlicher Bewertung und der Masterarbeit verliehen wird. Es handelt sich um eine eigene Qualifikation von SEIUM und nicht um einen staatlich anerkannten Studienabschluss; ihre Anerkennung hängt vom absolvierten Programm und den Vorschriften des jeweiligen Landes ab.
Ja. Module, die in einem Kurs oder Weiterbildungsdiplom im selben Fachbereich bestanden wurden, werden im höheren Programm anerkannt. Erkundigen Sie sich bei der Einschreibung nach der Anrechnungsregelung.
Ein Hochschulabschluss in Ingenieurwesen, Naturwissenschaften oder Architektur (oder gleichwertige berufliche Erfahrung), ein Computer, auf dem sich die Software ausführen lässt, und Englischkenntnisse, die für das Lesen technischer Normen ausreichen.
Die Starttermine werden von der Fakultät von SEIUM für jeden Jahrgang festgelegt. Unser Zulassungsteam bestätigt Ihnen bei Ihrer Bewerbung den nächsten verfügbaren Termin.
Verwandte Programme
More in Data, AI, Simulation & Analytics
All Data, AI, Simulation & Analytics programmes → · So bewerben Sie sich · Gebühren & Finanzierung · Stipendien