Schulung · OpenAI Codex · Data Science & Machine Learning

OpenAI Codex für Data Scientists und ML-Engineers

Mit OpenAI Codex Entwicklungsaufgaben delegieren: CLI und Cloud-Agent, AGENTS.md, Sandboxing, Freigaben und PR-Workflows im Team.

Dauer
2 Tage (14 Std.)
Format
Online oder vor Ort
Sprache
Deutsch oder Englisch
Teilnehmende
offene Termine oder exklusiv für Ihr Team
Abschluss
Teilnahmebescheinigung

Überblick

„OpenAI Codex für Data Scientists und ML-Engineers“ ist ein praxisorientiertes Training für Rollen wie Data Scientists in Fachbereichen und Analytics-Teams, ML-Engineers mit Verantwortung für Training und Deployment und Data Analysts, die in Python und Machine Learning einsteigen. Sie lernen OpenAI Codex nicht abstrakt, sondern an Aufgaben aus Ihrem Arbeitsalltag kennen – mit Beispielen, Übungen und Vorlagen aus dem Bereich Data Science & Machine Learning.

OpenAI Codex ist ein Coding-Agent, der sowohl lokal als Kommandozeilenwerkzeug und IDE-Erweiterung als auch als Cloud-Agent arbeitet. Lokal liest Codex Ihr Repository, schlägt Änderungen vor und führt Befehle in einer abgesicherten Umgebung aus. In der Cloud bearbeitet Codex delegierte Aufgaben parallel in isolierten Containern und liefert die Ergebnisse als nachvollziehbare Diffs oder Pull Requests. In diesem zweitägigen Training lernen Sie, beide Arbeitsweisen sinnvoll zu kombinieren und Aufgaben so zu schneiden, dass der Agent sie zuverlässig erledigt.

Zentrale Themen sind Steuerung und Sicherheit: Mit AGENTS.md geben Sie Codex Projektwissen, Build- und Testbefehle sowie Konventionen mit. Sie konfigurieren Freigabemodi und Sandboxing, damit der Agent nur das tut, was Sie erlauben, und richten Cloud-Umgebungen mit passenden Setup-Skripten ein. Außerdem binden Sie Codex in Ihre Pull-Request-Workflows ein, nutzen automatisierte Code-Reviews und entwickeln Regeln dafür, welche Aufgaben im Team delegiert werden und wie die Ergebnisse vor dem Merge geprüft werden.

Data Science und Machine Learning leben vom schnellen Wechsel zwischen Exploration, Modellierung und Produktivsetzung. Viel Zeit fließt dabei in Datenaufbereitung mit pandas oder Polars, Feature Engineering, Visualisierung, Hyperparameter-Experimente und schließlich das Überführen von Notebook-Code in wartbare Pipelines. KI-Coding-Assistenten und Agenten beschleunigen jeden dieser Schritte: Sie schreiben Explorations- und Plotting-Code, schlagen Validierungsstrategien vor, refaktorisieren Notebooks in getestete Python-Module, bauen scikit-learn- oder PyTorch-Trainingsskripte und richten Experiment-Tracking mit MLflow ein. Entscheidend ist dabei methodische Sorgfalt, denn plausibel wirkender Code kann Data Leakage oder falsche Metriken enthalten. Im Kurs lernen Sie, KI produktiv einzusetzen und die statistische Qualität Ihrer Ergebnisse abzusichern.

Das Training findet live statt – wahlweise online im virtuellen Klassenraum oder vor Ort in unseren Trainingsräumen in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart und Kaiserslautern. Auf Wunsch kommen wir auch exklusiv für Ihr Team zusammen.

Für wen ist das Training?

  • Data Scientists in Fachbereichen und Analytics-Teams
  • ML-Engineers mit Verantwortung für Training und Deployment
  • Data Analysts, die in Python und Machine Learning einsteigen
  • Forschende und Entwickler:innen mit Notebook-lastigen Workflows
  • MLOps-Teams, die Modelle in Produktion betreiben

Typische Herausforderungen, die wir adressieren

  • Unübersichtliche Notebooks, die sich schwer reproduzieren und produktiv setzen lassen
  • Zeitaufwändige Datenaufbereitung und Feature Engineering
  • Methodische Fehler wie Data Leakage, ungeeignete Metriken oder fehlerhafte Validierung
  • Fehlende Nachvollziehbarkeit von Experimenten, Modellen und Datenständen

Das können Sie nach dem Training

  • Sie setzen Codex lokal und in der Cloud gezielt für passende Entwicklungsaufgaben ein.
  • Sie schreiben eine AGENTS.md, die den Agenten zuverlässig durch Ihr Projekt führt.
  • Sie konfigurieren Freigabemodi und Sandboxing passend zu Ihren Sicherheitsanforderungen.
  • Sie delegieren Aufgaben an den Cloud-Agenten und prüfen die Ergebnisse systematisch.
  • Sie beschleunigen Exploration, Feature Engineering und Modellierung mit KI-Assistenten, ohne methodische Sorgfalt aufzugeben.
  • Sie überführen Notebook-Code mit KI-Agenten in getestete, reproduzierbare ML-Pipelines.
  • Sie erkennen typische Fehler in generiertem ML-Code wie Data Leakage oder ungeeignete Metriken und korrigieren sie gezielt.

Inhalte & Ablauf

Tag 1

Modul 1 Codex im Überblick: CLI, IDE und Cloud
  • Arbeitsweisen von Codex lokal und in der Cloud vergleichen
  • Codex CLI installieren, anmelden und im Repository starten
  • Interaktive Sitzungen, nicht-interaktive Ausführung und Modellwahl
  • Geeignete und ungeeignete Aufgaben für einen Coding-Agenten unterscheiden
Modul 2 Projektwissen mit AGENTS.md
  • AGENTS.md mit Build-, Test- und Lint-Befehlen aufbauen
  • Konventionen, Architekturhinweise und Verbote präzise formulieren
  • Verschachtelte AGENTS.md-Dateien für Monorepos und Teilprojekte nutzen
  • Wirksamkeit prüfen und Anweisungen iterativ verbessern
Modul 3 Sandboxing, Freigaben und Sicherheit
  • Freigabemodi von nur lesend bis weitgehend autonom bewusst wählen
  • Sandbox-Grenzen für Dateisystem und Netzwerkzugriff verstehen
  • Umgang mit Secrets, Abhängigkeiten aus dem Internet und Prompt Injection
  • Konfigurationsdateien für Team-Standards und sichere Voreinstellungen
Modul 4 Aufgaben an den Cloud-Agenten delegieren
  • Cloud-Umgebungen mit Setup-Skripten und Abhängigkeiten konfigurieren
  • Aufgaben mit klarem Ziel, Kontext und Abnahmekriterien formulieren
  • Mehrere Aufgaben parallel starten und Ergebnisse vergleichen
  • Logs und Testausgaben nutzen, um Lösungen nachzuvollziehen

Tag 2

Modul 5 PR-Workflows und Code-Review im Team
  • Ergebnisse als Pull Request übernehmen und nachbessern lassen
  • Automatisierte Code-Reviews durch Codex in GitHub einsetzen
  • Codex in Skripte und CI-Pipelines einbinden
  • Teamregeln für Delegation, Review-Pflichten und Verantwortlichkeiten festlegen
Modul 6 Praxislabor: Data Science & Machine Learning
  • Explorative Datenanalyse
  • Notebooks in Pipelines überführen
  • Modelltraining und Validierung
  • Experiment-Tracking und MLOps
  • Modelle erklären und prüfen
  • LLM- und RAG-Prototypen evaluieren
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Trainings- und Analysedaten enthalten häufig personenbezogene Informationen: Arbeiten Sie in Prompts mit Schemas, Aggregaten oder synthetischen Daten und beachten Sie DSGVO-Grundsätze wie Zweckbindung. Für Hochrisiko-Anwendungen stellt der EU AI Act Anforderungen an Datenqualität, Dokumentation und Transparenz; zudem sind Lizenzen von Datensätzen, vortrainierten Modellen und Python-Paketen zu prüfen.
  • Spielregeln für den sicheren KI-Einsatz im Team
  • Ergebnisse prüfen: Fakten, Quellen, Tests und Vier-Augen-Prinzip
  • Persönlicher Umsetzungsplan für die nächsten 30 Tage
  • Offene Fragen, Ausblick und Ressourcen zum Weiterlernen

Praxisszenarien aus Ihrem Bereich

Explorative Datenanalyse

Der Assistent erstellt Code für Datenprofile, Verteilungen, Korrelationen und fehlende Werte mit pandas oder Polars, erzeugt aussagekräftige Visualisierungen und fasst Auffälligkeiten als Hypothesen für die Modellierung zusammen.

Notebooks in Pipelines überführen

Der Agent refaktorisiert Notebook-Code in Python-Module mit Funktionen, Konfiguration und pytest-Tests, entfernt versteckte Zustände und macht Training und Inferenz reproduzierbar ausführbar. Ergebnisse lassen sich so verlässlich vergleichen.

Modelltraining und Validierung

Die KI baut scikit-learn-Pipelines oder PyTorch-Trainingsschleifen mit sauberer Kreuzvalidierung, passenden Metriken und Baselines und weist aktiv auf Risiken wie Data Leakage oder Klassenungleichgewicht hin. Ergebnisse werden stets gegen Baselines verglichen.

Experiment-Tracking und MLOps

Der Assistent richtet MLflow oder vergleichbare Werkzeuge für Parameter, Metriken und Artefakte ein, versioniert Modelle und erstellt Trainings- und Deployment-Workflows für die CI/CD-Pipeline. Experimente bleiben jederzeit nachvollziehbar.

Modelle erklären und prüfen

Mit SHAP, Permutation Importance oder Partial Dependence Plots entstehen Erklärungen für Modellentscheidungen sowie Auswertungen zu Fairness und Robustheit über relevante Untergruppen hinweg. Fachbereiche erhalten verständliche Erläuterungen.

LLM- und RAG-Prototypen evaluieren

Die KI hilft beim Aufbau von Evaluationsdatensätzen, automatisierten Bewertungsmetriken und Vergleichsexperimenten für Prompt-Varianten, Embedding-Modelle oder Retrieval-Strategien. So lassen sich Qualität, Kosten und Latenz verschiedener Varianten objektiv gegenüberstellen und dokumentieren.

Mögliche Praxisprojekte im Kurs

Churn-Prognose mit Erklärungen

Ein vollständiges Projekt von der Datenaufbereitung über ein Gradient-Boosting-Modell bis zu einer kleinen Streamlit-App, die Prognosen und SHAP-Erklärungen anzeigt. Ideal, um den gesamten ML-Workflow mit KI zu üben.

Modell-Monitoring-Skript

Ein Skript, das Daten- und Vorhersageverteilungen über die Zeit vergleicht, Drift erkennt und einen kompakten Bericht mit Grafiken erzeugt. Bei Auffälligkeiten wird automatisch das Team benachrichtigt.

Evaluations-Harness für einen RAG-Chatbot

Ein Testaufbau mit Fragensammlung, Referenzantworten und automatischer Bewertung, der verschiedene Retrieval- und Prompt-Konfigurationen vergleicht. Die Ergebnisse werden pro Konfiguration in einer übersichtlichen Tabelle mit Kennzahlen zusammengefasst.

Voraussetzungen

Sie haben praktische Programmiererfahrung, arbeiten sicher mit Git und der Kommandozeile und kennen Pull-Request-basierte Workflows. Gute Python-Kenntnisse, Erfahrung mit pandas oder Polars und scikit-learn sowie Grundlagen in Statistik und Machine Learning.

Technische Voraussetzungen

Eigener Laptop mit Terminal, Git und Node.js-Laufzeit; ein ChatGPT-Plan mit Codex-Zugang oder ein OpenAI-API-Schlüssel sowie ein GitHub-Konto für die Cloud-Übungen.

Datenschutz & Compliance

Trainings- und Analysedaten enthalten häufig personenbezogene Informationen: Arbeiten Sie in Prompts mit Schemas, Aggregaten oder synthetischen Daten und beachten Sie DSGVO-Grundsätze wie Zweckbindung. Für Hochrisiko-Anwendungen stellt der EU AI Act Anforderungen an Datenqualität, Dokumentation und Transparenz; zudem sind Lizenzen von Datensätzen, vortrainierten Modellen und Python-Paketen zu prüfen.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Mi, 25. November 2026 – Do, 26. November 2026 Online Anfragen
  • Do, 10. Dezember 2026 – Fr, 11. Dezember 2026 Bremen Anfragen
  • Mo, 11. Januar 2027 – Di, 12. Januar 2027 Online Anfragen
  • Mo, 25. Januar 2027 – Di, 26. Januar 2027 Salzburg Anfragen
  • Mi, 3. Februar 2027 – Do, 4. Februar 2027 Online Anfragen
  • Di, 16. Februar 2027 – Mi, 17. Februar 2027 Kaiserslautern Anfragen

Häufige Fragen

Wann nutze ich Codex lokal und wann in der Cloud?

Lokal arbeiten Sie interaktiv und eng am Code, etwa beim Debugging oder bei explorativen Änderungen, bei denen Sie jeden Schritt verfolgen möchten. Der Cloud-Agent eignet sich für klar umrissene Aufgaben, die unabhängig ablaufen können, beispielsweise Tests ergänzen oder kleinere Fehler beheben. Mehrere solcher Aufgaben lassen sich parallel starten und anschließend als Pull Request prüfen.

Was gehört in eine gute AGENTS.md?

Eine gute AGENTS.md beschreibt, wie das Projekt gebaut, getestet und geprüft wird, welche Konventionen gelten und welche Bereiche nicht angefasst werden sollen. Sie ist knapp, konkret und aktuell. Hilfreich sind außerdem Hinweise zur Architektur und zu typischen Stolperfallen. Im Kurs entwickeln Sie eine AGENTS.md für ein eigenes Projekt und testen deren Wirkung.

Wie sicher ist es, Codex Befehle ausführen zu lassen?

Codex arbeitet standardmäßig in einer Sandbox mit eingeschränktem Datei- und Netzwerkzugriff und fragt vor riskanten Schritten nach Freigabe. Wie viel Autonomie Sie gewähren, legen Sie über Freigabemodi und Konfiguration fest. Im Kurs lernen Sie, diese Einstellungen bewusst zu wählen und Risiken wie Prompt Injection oder das Ausführen unbekannter Abhängigkeiten zu begrenzen.

Kann ich der KI bei statistischen Fragen vertrauen?

KI-Assistenten kennen gängige Verfahren sehr gut, machen aber gelegentlich methodische Fehler, etwa bei der Aufteilung von Trainings- und Testdaten oder der Wahl von Metriken. Im Kurs lernen Sie, die KI gezielt nach Annahmen und Risiken zu fragen, Ergebnisse mit Baselines und Sanity Checks zu prüfen und die fachliche Verantwortung bewusst bei sich zu behalten.

Funktioniert KI-gestütztes Coding auch in Jupyter-Notebooks?

Ja. Viele Assistenten unterstützen Notebooks direkt, Agenten können Notebooks zudem lesen, ausführen und in Module überführen. Wir zeigen, wann Notebooks für Exploration ideal sind und wie Sie den Übergang zu versioniertem, getestetem Code mit KI-Unterstützung effizient gestalten. Beides ergänzt sich sinnvoll.

Was kostet die Schulung „OpenAI Codex für Data Scientists und ML-Engineers“?

Die Schulung kostet pauschal 949 € zzgl. gesetzl. MwSt. pro Teilnehmer:in – unabhängig davon, ob sie online oder vor Ort stattfindet. Enthalten sind 2 Trainingstag(e) mit Live-Trainer:in, Kursunterlagen, Übungsumgebung und Teilnahmebescheinigung.

Kann ich einen eigenen Wunschtermin angeben?

Ja. Unsere Terminvorschläge sind eine Orientierung. Im Anfrageformular können Sie jederzeit einen Wunschtermin oder Zeitraum im Freitext angeben – wir prüfen die Verfügbarkeit und bestätigen innerhalb eines Werktags.

Findet der Kurs online oder vor Ort statt?

Beides ist möglich: live online im virtuellen Klassenraum oder vor Ort in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart oder Kaiserslautern. Auf Wunsch führen wir das Training auch exklusiv für Ihr Team durch.

Weitere Kurse für Data Scientists und ML-Engineers

Weitere Kurse zu OpenAI Codex

Alle 32 Kurse zu OpenAI Codex

OpenAI Codex · MünchenOpenAI Codex · SalzburgOpenAI Codex · BerlinOpenAI Codex · AugsburgOpenAI Codex · HannoverOpenAI Codex · BremenOpenAI Codex · StuttgartOpenAI Codex · KaiserslauternOpenAI Codex · Online