Nach diesem Seminar sind Sie in der Lage, leistungsfähige On-Device-KI-Funktionalitäten in Swift zu entwickeln und produktiv einzusetzen. Sie beherrschen die Nutzung der Apple Foundation Models sowie die Integration von Apple Intelligence in bestehende Apps. Darüber hinaus können Sie eigene Machine-Learning-Modelle optimieren, deployen und fundierte Architekturentscheidungen zwischen Cloud- und On-Device-Lösungen treffen. Sie gewinnen Sicherheit im Umgang mit Datenschutzanforderungen und regulatorischen Rahmenbedingungen wie DSGVO und EU AI Act.
SystemLanguageModel, LanguageModelSession; Apple-Intelligence-Eligibility; On-Device-Modell vs. Private Cloud Compute vs. ChatGPT-Bridge; Kosten- und Privacy-Modell
1.2 Erste Session - Prompts, Streaming, Optionen
Prompt-Konstruktion, GenerationOptions, Streaming, Token-Grenzen, Task Cancellation, Fehlerbehandlung; Lab: SwiftUI-Streaming-Chat-App mit Loadstate und Cancel-Button
1.3 @Generable & @Guide - strukturierte Ausgabe
Swift-Macros für typsichere LLM-Antworten, Schema-Constraints, Validation; Use Cases wie Formularerkennung, Datenextraktion, Klassifikation
1.4 Tool Calling mit @Tool
Tool-Macro, asynchrone Tools, lokale Datenquellen; Lab: Agenten-Demo mit Tool-Integration
Tag 2 - Apple Intelligence im eigenen App-Code
2.1 App Intents Grundlagen
AppIntent, AppEntity, Parameter-Inferenz, Migration von SiriKit-Intents, @Generable-Inputs
2.2 Discovery & Surface
AppShortcut, Donations, IndexableEntity, Siri-Suggestions; Lab: Erweiterung einer Beispiel-App mit App Intents
2.3 Writing Tools API
Integration in TextEditor/UITextView; writingTools()-Modifier; Custom Actions und Compliance-Fälle
2.4 Image Playground & Genmoji
ImagePlaygroundSheet, ImageCreator, Concept-Inputs; Lab: Integration in eine SwiftUI-Notiz-App
Tag 3 - Core ML 8 für eigene Modelle & MLX-Ausblick
3.1 coremltools-Workflow
PyTorch/TensorFlow -> .mlpackage; Tracing vs. Scripting; Optimierung und Modell-Personalisierung
3.2 Quantisierung & Komprimierung
4-/8-bit Quantisierung, Pruning, Trade-offs zwischen Genauigkeit und Performance
3.3 Stateful Models - Transformer-Inferenz
KV-Cache, MLState; Modelle wie Llama, Phi oder Qwen; Lab: Performance-Analyse auf Apple Silicon
3.4 MLX-Ausblick & Hybrid-Architekturen
mlx-swift, ONNX-Brücke; Hybridlösungen; Abschlussprojekt: On-Device-RAG mit lokaler Vector-Datenbank
Dauer/zeitlicher Ablauf:
3 Tage
Zielgruppe:
Dieses Fortgeschrittenenseminar richtet sich an erfahrene iOS-Entwickler, Tech Leads und Softwarearchitekten, die KI-Funktionalitäten in mobile Anwendungen integrieren möchten. Besonders geeignet ist es für Fachkräfte in Unternehmen mit eigener App-Roadmap sowie Entscheidungsträger, die zwischen Cloud- und On-Device-KI abwägen.
Sie benötigen Grundkenntnisse in Swift und SwiftUI sowie mindestens 12 Monate praktische Entwicklungserfahrung. Erfahrung mit async/await ist erforderlich. Ein Apple-Silicon-Mac (M1 oder neuer) sowie ein iPhone 15 Pro oder neuer werden vorausgesetzt. Grundkenntnisse in KI sind hilfreich, aber nicht zwingend erforderlich.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
