Künstliche Intelligenz (KI) Certified AI Climate Risk

Passt der Kurs zu dir?

1. 1
   Motivation und Lernbereitschaft
2. 2
   Zuverlässigkeit im jeweiligen Arbeitsfeld
3. 3
   Konkrete Zulassung des gewählten Weges prüfen

Das lernst du

1. 1

   Einführung in KI, Klimarisiken und Geodatenanalyse

   Grundlagen KI-gestützter Analysen im Bereich Klimarisiken, Fernerkundung und Geospatial Intelligence
   Verständnis physikalischer Klimarisiken sowie relevanter Zusammenhänge zwischen Daten, Modellen und Entscheidungen
   Bedeutung reproduzierbarer, datengetriebener und auditierbarer Methoden für belastbare Analysen
   Definition von Scope, Analyseobjekten und Outputs wie Scores, Alerts, Reports oder APIs
   Einordnung von Transition-, Physical- und Liability-Risiken im Klimokontext

2. 2

   Datenlandschaft, Integration und technologische Grundlagen

   Auswahl und Integration relevanter Datenquellen wie Satellitendaten, Sensordaten und Klimamodelle
   Grundlagen von Datenmodellen, Daten-Lineage und Versionierung für Geodaten und Zeitreihen
   Einführung in moderne Schnittstellen, cloud-native Datenformate und skalierbare Datenverarbeitung
   Datenfusion und Harmonisierung zur Erstellung belastbarer analysefähiger Datensätze
   Überblick über Geospatial-AI-Toolchains, Change Detection und risikoorientierte Scoring-Modelle

3. 3

   Automatisierung geospatialer Analyseprozesse

   Einführung in automatisierte Workflows nach dem Prinzip "Monitor - Detect - Explain - Report - Act"
   Nutzung von KI, LLMs und Agentic Workflows zur Analyseassistenz und Datenauswertung
   Automatisierte Berichtserstellung, Qualitätsprüfungen und Ableitung von Handlungsempfehlungen
   Human-in-the-Loop-Konzepte zur Validierung und Absicherung von Analyseergebnissen
   Produktionsnahe Deployments und MLOps für Geospatial- und Climate-Analytics-Anwendungen

4. 4

   Anwendungsfelder, Governance und Compliance

   Analyse standort- und regionenspezifischer Klimarisiken wie Hitze, Überschwemmung, Feuer und Dürre
   Anwendung auf Infrastruktur, Supply Chains, Finanzsektor, öffentliche Planung und Landwirtschaft
   Methodentransparenz, Audit-Trails und dokumentierte Unsicherheiten für vertrauenswürdige Ergebnisse
   Anschlussfähigkeit an Reporting-Standards wie TCFD, CSRD und ISSB
   Datensicherheit, Modell-Governance und ethische Aspekte beim Einsatz von KI im Klimokontext

Förderwege

Wer deinen Kurs zahlt

Brutto im Monat

Mitte und Viertel bundesweit

3 Schritte vom Kurs in den Beruf

1. 1

   KI auf echte Arbeitsaufgaben anwenden

   Deine Branchenkenntnis bleibt wertvoll, wenn du einen Prozess mit KI unterstützt und das Ergebnis prüfst. Gute Praxis beschreibt Ausgangslage, Daten, menschliche Kontrolle und eine überprüfbare Verbesserung, ohne Automatisierung pauschal zu versprechen. Beispiel: Bearbeite einen kleinen Prozess aus deinem bisherigen Beruf und vergleiche Zeitbedarf und Qualität vorher und nachher.

2. 2

   Fachwissen mit neuen Werkzeugen verbinden

   Branchenkenntnis, Kommunikation und Qualitätskontrolle bleiben wichtig. Gerade im Quereinstieg ergänzt du vorhandene Erfahrung durch ein Projekt mit Quellenprüfung, Versionierung, Freigabe und dokumentierten Grenzen. Beispiel: Ein Bewerbungsbeispiel beschreibt Aufgabe, verwendete Werkzeuge, Prüfung der Ergebnisse und Grenzen des Ansatzes.

3. 3

   Verantwortung schrittweise aufbauen

   Projektkoordination, Schulung und Prozessgestaltung verlangen mehr als Toolbedienung. Achte auf Inhalte zu Use-Case-Auswahl, Datenqualität, Prüfung, Dokumentation und Zusammenarbeit. Vergleiche die Kursaufgaben mit den Zielstellen, die du erreichen möchtest. Beispiel: Vergleiche einen Grundlagenkurs mit einem Projektkurs und entscheide nach deinem aktuellen Kenntnisstand.

Themen

Arbeitsmarkt

KI & Machine Learning bundesweit in Zahlen