Agentic AI & Decision Intelligence

Wie lassen sich intelligente Systeme bauen, die mit Dynamik und komplexen Zielen umgehen können? Ob in Planungssystemen, Prozessoptimierung, Medizin, Energiemanagement, in der digitalen Werbung oder in der Cyber-Sicherheit. In diesem CAS lernen Sie, modernste Agentensysteme im Rahmen einer umfassenden AI-Architektur zu bauen, für Anwendungen in Business, Technologie und Industrie.

Beginnen Sie Ihre Weiterbildung am 28. September 2026.

Steckbrief

  • Titel/Abschluss Certificate of Advanced Studies (CAS) in Agentic AI & Decision Intelligence
  • Dauer Herbstsemester: KW43 bis KW14
  • Unterrichtstage Donnerstag: 8.30–16.15 Uhr
  • Anmeldefrist 23. September
    9–24 Teilnehmer*innen
  • Anzahl ECTS 12 ECTS
  • Kosten CHF 7’850
  • Unterrichtssprache Deutsch, Unterlagen teilweise in Englisch
  • Studienort Biel, Aarbergstrasse 46 / Online
  • Departement Technik und Informatik
  • Nächste Durchführung Herbst 2026

Inhalt + Aufbau

Im CAS erfahren Sie, wie neuronale Netze funktionieren, wie sie trainiert und optimiert werden und wie Deep Reinforcement Learning eingesetzt werden kann.

Portrait

Mit dem Erfolg der Large Language Models ist auch eine neue Generation von AI-Systemen entstanden: Intelligente Agenten, die planen, schlussfolgern, und mehrstufige Aufgaben selbstständig erledigen können. Wie funktionieren diese Systeme und wie setzt man sie so ein, dass daraus messbar bessere Entscheidungen entstehen?

Dieses CAS vermittelt praxisnah und verständlich, wie aus klassischen AI Systemen Decision Intelligence wird. Ob in Wissensarbeit und Automatisierung, in Planung und Prozessoptimierung, in der digitalen Werbung oder Cyber-Sicherheit, im Dienstleistungs-, Finanz-, Medizin- oder Energieunternehmen: Agentic AI und Decision Intelligence eröffnen neue Perspektiven für alle Branchen und Unternehmensfunktionen. In diesem CAS entwickeln Sie eigene Agenten und testen diese in realitätsnahen Szenarien aus.

Ausbildungsziele

Dieses CAS

 

  • führt Sie umfassend in die professionelle Entwicklung und Anwendung von LLM-basierten Agenten und Decision Intelligence ein, sowie in die Mitarbeit in Teams, die AI-Methoden einsetzen.
  • vermittelt Ihnen ein tiefes Verständnis moderner AI-Architekturen (Neuronale Netze, Transformer, Large Language Models)
  • befähigt Sie zum Aufbau agentischer Systeme mit Tool-Use, RAG, Gedächtnis und Multi-Agenten-Architekturen – inklusive Evaluation, Guardrails und Deployment
  • befähigt Sie, AI-gestützte Entscheidungsprozesse zu gestalten – von Decision Framing und kausaler Inferenz bis Reinforcement Learning – und auf reale Problemstellungen anzuwenden

Besondere Highlights

  • Hands-on Projekte mit echten Datensätzen
  • Anwendungsnahe Fallbeispiele aus Wirtschaft, Technik und Gesellschaft
  • Interdisziplinärer Austausch und Kreativität bei der Lösungsfindung

Testimonial

Roger Fankhauser
Roger Fankhauser, Absolvent, Leiter Digitalisierung Systems, SCHNEEBERGER AG Lineartechnik

Das CAS ist ein sehr technischer, hands-on-orientierter Kurs. Wer bereit ist, direkt mit Python und realen Datensätzen zu arbeiten, lernt enorm viel. Der Unterrichtsstil war bewusst offen gehalten, was mir persönlich entgegenkam: Man wird gefordert, selbst zu denken und auszuprobieren, anstatt nur Konzepten zu folgen. Für alle, die nicht nur Theorie, sondern echte Umsetzungskompetenz mitnehmen wollen, lohnt sich dieses CAS sehr.

Das CAS beinhaltet Kurse und Veranstaltungen zu:

  • Grundlagen: AI, Mathematik & Neuronale Netze

  • LLMs verstehen & steuern: Transformer, Prompting, Function Calling

  • Agentic AI: RAG, Gedächtnis, Frameworks, Multi-Agenten-Systeme

  • Decision Intelligence & Reinforcement Learning

  • Evaluation, Guardrails & Deployment

  • Projektarbeit: Decision-Making Trading-Agent

Grundlagen: AI, Mathematik & Neuronale Netze

  • AI heute: von Machine Learning über Deep Learning zu agentischen Systemen
  • Gradient Descent: Intuition, partielle Ableitung, Loss Function
  • Mathematische Grundlagen: Matrix-Algebra, Tensoren, Wahrscheinlichkeiten
  • Einführung in PyTorch und Google Colab
  • Taxonomie agentischer Systeme und Frameworks-Überblick
  • Erste neuronale Netze: Perceptron, Dense Networks (DNNs)
  • Hyperparameter und Training mit PyTorch Lightning

LLMs verstehen & steuern: Transformer, Prompting, Function Calling

  • Transformer: Attention, Encoder-Decoder, Tokenisierung, Pre-Training
  • In-Context-Learning, Decoding-Strategien und Scaling
  • Prompt Engineering: Techniken, Muster, Grenzen
  • Strukturierte (JSON-)Ausgaben für zuverlässige Weiterverarbeitung
  • Function Calling: LLMs rufen Werkzeuge auf – die Mechanik auf API-Ebene

Agentic AI: RAG, Gedächtnis, Frameworks, Multi-Agenten-Systeme

  • Embeddings, Vektordatenbanken und Retrieval-Augmented Generation (RAG)
  • Gedächtnis und Kontext-Management: Kurz- und Langzeit-Memory
  • Der Agent-Loop: ReAct, Planning, Reflection und Tool-Use in der Tiefe
  • Agentic Design Patterns: Workflows vs. Agenten, Routing, Orchestrierung
  • Frameworks: LangGraph, CrewAI, OpenAI- und Claude-Agent-SDK
  • Multi-Agenten-Systeme: Supervisor/Worker- und hierarchische Muster
  • Offene Protokolle: Model Context Protocol (MCP) und Agent-to-Agent (A2A)

Decision Intelligence & Reinforcement Learning

  • Decision Framing & Modeling: Entscheidung – Hebel – Ergebnis, Entscheidungsqualität
  • Entscheiden unter Unsicherheit, kausale Inferenz und Optimierung
  • Markov Decision Process, Return, Policy, Value Function, Bellman-Gleichungen
  • Policy Gradient, Proximal Policy Optimization (PPO)
  • Reinforcement Learning from Human Feedback, Reinforcement Learning from AI Feedback

Evaluation, Guardrails & Deployment

  • Evaluation: Task-Success, Trajectory-Eval, Bewertung der Entscheidungsqualität
  • Observability: Tracing, Monitoring, Debugging agentischer Systeme
  • Guardrails, Prompt-Injection-Absicherung, Kosten, Latenz und Deployment

Projektarbeit: Decision-Making Trading-Agent

  • Entwicklung eines entscheidungsfähigen Trading-Analyst-Agenten (LLM + Tools)
  • Integration von Markt- und News-Daten via RAG, Forecasting-Modell als Tool
  • Evaluation mit Backtest, Trajectory- und Entscheidungsqualitäts-Metriken
  • Präsentation der Ergebnisse im Plenum
  • Reflexion und Transfer in die berufliche Praxis
CAS Artificial Intelligence Bild vergrössern

Kompetenzstufen

  1. Kenntnisse | Wissen
  2. Verstehen
  3. Anwenden
  4. Analyse
  5. Synthese
  6. Beurteilung
  • Kontaktunterricht
  • Selbststudium
  • Projektarbeit

Titel + Abschluss

Certificate of Advanced Studies in «Agentic AI & Decision Intelligence».

Voraussetzungen + Zulassung

Erfahren Sie, für welche Fachpersonen diese Weiterbildung konzipiert ist und welche Voraussetzungen Sie mitbringen sollten.

Voraussetzungen

  • Sie bringen ein Bachelorstudium mit, typischerweise in Informatik- Wirtschafts- oder Engineering-Disziplinen.
  • Sie können sich mathematische Gesetzmässigkeiten aneignen und diese anwenden.
  • Sie können sich in eine algorithmische Denkweise vertiefen.
  • Sie haben Erfahrung mit einer Programmiersprache und können einfache Skripte in der Sprache Python schreiben und ausführen.
  • Kenntnisse in Machine-Learning-Methoden sowie erste Erfahrungen mit LLM-Tools (z.B. ChatGPT, Claude) sind von Vorteil, werden aber nicht vorausgesetzt – die Grundlagen werden im CAS erarbeitet.

Zielpublikum

Das CAS richtet sich an

  • Fachexpert*innen aus IT, Industrie und Business, die AI-Agenten und Decision Intelligence kennenlernen und in ihrem Umfeld anwenden möchten.
  • Informatiker*innen und Data Scientists, die LLM-basierte Agenten in neue Applikationen, IT-Dienstleistungen und IT-Landschaften integrieren wollen.

Studiengänge richten sich an Personen mit einem Hochschulabschluss und Berufspraxis. Personen ohne Hochschulabschluss können zu Studiengängen zugelassen werden, wenn sich ihre Befähigung aus einem anderen Nachweis ergibt.

Infoveranstaltungen + Beratung

Sie haben Fragen zur Weiterbildung? An unseren Infoveranstaltungen beantworten der Studiengangsleiter, CAS-Leitende und Dozierende Ihre Fragen.

Studienort

Diese Weiterbildung wird vor Ort an der Aarbergstrasse 46 im Switzerland Innovation Park Biel/Bienne oder remote durchgeführt.

Switzerland Innovation Park Biel/Bienne (SIPBB)

Vielseitige Standortvorteile
 

  • Unterrichtsräume in zwei Minuten Gehdistanz vom Bahnhof Biel/Bienne
  • Ideale Zugsverbindungen im 15-Minuten-Takt ab Hauptbahnhof Bern und im 30-Minuten-Takt ab Bern Wankdorf (neue Linie Thun-Biel)
  • Modernste Infrastruktur im SIPBB-Neubau
  • Vielseitige Verpflegungsmöglichkeiten in unmittelbarer Nähe
  • Innovative Events und Networkinganlässe

Und noch dies…
 

  • Innovations-Hotspot Biel/Bienne
  • Hochschulstadt Biel/Bienne
  • Industrie- und Dienstleistungsstadt mit zahlreichen Leadern in den Bereichen der Uhren-, Maschinen-, Präzisions- und Medizinaltechnikindustrie sowie Vertretern der Kommunikations- und Telekommunikationsbranche
  • Unmittelbare Nähe zum Bielersee mit vielseitigem Sport- und Freizeitangebot
  • Gelebte Zweisprachigkeit
  • Kulturleben in allen Facetten

Biel Aarbergstrasse 46 (Switzerland Innovation Park Biel/Bienne)

Biel, Aarbergstrasse 46

Berner Fachhochschule

Technik und Informatik
Switzerland Innovation Park Biel/Bienne
Aarbergstrasse 46
CH 2503 Biel

Berner Fachhochschule

Technik und Informatik
Switzerland Innovation Park Biel/Bienne
Aarbergstrasse 46
CH 2503 Biel