Bitte wählen Sie die Bereiche, die Sie exportieren möchten:
Schulung AWS Certified AI Practitioner (AIF-C01): Zertifizierungsvorbereitung
AI- und ML-Grundlagen, generative KI, Foundation Models, Responsible AI.
Schulungsformen
Offene Schulung
- 4 Tage
- 5 gesicherte Termine
- Köln / Online
- 2.660,00 p. P. zzgl. MwSt.
- Dritter Mitarbeitende kostenfrei
- Learning & Networking in einem. Garantierte Durchführung ab 1 Teilnehmenden.
Inhouse-/Firmenschulung
- 4 Tage - anpassbar
- Termin nach Wunsch
- In Ihrem Hause oder bei der GFU
- Preis nach Angebot
- Lernumgebung in der Cloud
- Inhalte werden auf Wunsch an die Anforderungen Ihres Teams angepasst.
Individualschulung
- 4 Tage - anpassbar
- Termin nach Wunsch
- In Ihrem Hause oder bei der GFU
- Preis nach Angebot
- Lernumgebung in der Cloud
- 1 Teilnehmender = Fokus aufs Fachliche und maximaler Raum für individuelle Fragen.
Beschreibung
Der AWS Certified AI Practitioner (AIF-C01) ist die foundationale KI-Zertifizierung von AWS - das Pendant zum Microsoft AI-900 / AI-901 für die Azure-Welt und das nächste Glied nach dem Cloud Practitioner (CLF-C02). Die Prüfung testet kein Coding, kein Hyperparameter-Tuning, keine Mathematik. Sie testet, ob jemand AI, ML und generative KI auf AWS richtig einordnen kann: welche Services wofür, welche Foundation-Model-Anpassung wann (Pre-Training, Fine-Tuning, In-Context Learning, RAG), welche Risiken (Halluzinationen, Bias, Prompt Injection), welche Verantwortungswerkzeuge (Guardrails, SageMaker Clarify, Model Cards) und welche Compliance-Bausteine (IAM, KMS, Macie, CloudTrail, Audit Manager, Artifact).
Die Prüfung besteht aus 65 Fragen (50 gewertet, 15 ungewertet) in 90 Minuten - in fünf Frageformaten: Multiple Choice, Multiple Response, Ordering, Matching und Case Study. Die Bestehensgrenze liegt bei 700 von 1.000 Punkten, das compensatory scoring lässt schwächere Domänen durch stärkere ausgleichen. Mit strukturierter Vorbereitung ist die Prüfung in zwei Tagen schaffbar - dieses Seminar liefert genau das: alle fünf Domänen in offizieller Gewichtung, alle in-scope AWS-AI-Services, eine Probeklausur unter realen Bedingungen und eine systematische Strategie für jeden Fragetyp.
Erfahren Sie mehr durch einen zusätzlichen AWS Kurs aus unserem Seminarangebot.
Schulungsziel
Jede teilnehmende Person verlässt das Seminar mit einem strukturierten Verständnis der fünf Prüfungsdomänen in offizieller Gewichtung (Fundamentals AI/ML, Generative AI, Foundation Models, Responsible AI, Security/Compliance/Governance), der Fähigkeit, in-scope AWS-AI-Services korrekt zuzuordnen (Bedrock, SageMaker, Q, Lex, Polly, Transcribe, Translate, Rekognition, Textract, Comprehend, Kendra, A2I), dem konzeptionellen Wissen zu Foundation-Model-Anpassung (Pre-Training, Fine-Tuning, In-Context Learning, RAG mit Bedrock Knowledge Bases und Vektordatenbanken), der Routine im Umgang mit Prompt Engineering und seinen Risiken (Zero/One/Few-Shot, Chain-of-Thought, Prompt Injection, Jailbreaking), dem Verständnis von Responsible-AI-Werkzeugen auf AWS (Guardrails for Bedrock, SageMaker Clarify, Model Monitor, Augmented AI), dem Überblick über Sicherheits- und Governance-Services (IAM, KMS, Macie, PrivateLink, CloudTrail, Audit Manager, Artifact, Config, Inspector), einer absolvierten Probeklausur mit Schwächenanalyse und einem persönlichen Lernplan für die letzten Tage vor der echten Prüfung - gut vorbereitet auf das offizielle Examen mit den 700 Punkten als realistisches Ziel.
Details
Inhalt
1. Prüfungsüberblick und Domain 1 Teil 1: AI- und ML-Konzepte (20 % der Prüfung)
- Ziele und Erwartungen der Teilnehmenden
- Klärung individueller Lernziele und Erwartungen für ein praxisnahes und relevantes Seminar
- Prüfungslogistik AIF-C01: 65 Fragen in 90 Minuten, 700/1.000 Bestehensgrenze, fünf Fragetypen (Multiple Choice, Multiple Response, Ordering, Matching, Case Study), compensatory scoring, deutsche Prüfungssprache verfügbar.
- Grundbegriffe: AI, ML, Deep Learning, neuronale Netze, Modell vs. Algorithmus, Training vs. Inferenz, LLM, Computer Vision, NLP - mit den exakten Definitionen, die AWS in Prüfungsfragen verwendet.
- Lernparadigmen: Supervised, Unsupervised, Semi-Supervised, Reinforcement Learning - inklusive typischer Use-Case-Zuordnung (Klassifikation, Regression, Clustering, Anomalieerkennung).
- Datentypen in AI-Modellen: gelabelt vs. ungelabelt, tabellarisch, Zeitreihen, Bild, Text, strukturiert vs. unstrukturiert. Inferenztypen: Batch vs. Real-Time.
- Praxis-Übung: Zwanzig vermischte AWS-Begriffe (z. B. "Random Forest", "Embedding", "Transformer", "Foundation Model", "Inferenz") in die richtigen Schubladen sortieren (AI/ML/DL/GenAI). Diskussion strittiger Zuordnungen.
- Wann AI/ML passt und wann nicht: Skalierbarkeit, Automatisierung, Entscheidungsunterstützung gegenüber deterministischen Anforderungen und Cost-Benefit-Überlegungen.
- ML-Pipeline: Data Collection, EDA, Pre-Processing, Feature Engineering, Training, Hyperparameter-Tuning, Evaluation, Deployment, Monitoring - und welche AWS-Dienste in welcher Phase greifen (SageMaker Data Wrangler, Feature Store, Model Monitor).
- AWS-Managed-AI-Services im Überblick: Amazon Comprehend (NLP), Transcribe (Speech-to-Text), Translate (Übersetzung), Polly (Text-to-Speech), Lex (Chatbots), Rekognition (Bilder/Video), Textract (Dokumente), Personalize (Empfehlungen), Fraud Detector, Kendra (Enterprise Search) - mit prüfungstypischen Use-Case-Mappings.
- Modellquellen: Open-Source vorgetrainiert vs. eigenes Training, Managed-API-Service vs. Self-hosted-API, Performance-Metriken (Accuracy, AUC, F1) vs. Business-Metriken (Cost per User, ROI, Customer Feedback).
- Praxis-Übung: Fünfzehn Business-Szenarien (Versicherung erkennt betrügerische Schadensmeldungen, Callcenter transkribiert Kundengespräche, Webshop empfiehlt Produkte, Logistik liest Lieferscheine) dem passenden AWS-Managed-Service zuordnen. Begründung für jede Zuordnung notieren.
- Foundation-Model-Konzepte: Tokens, Chunking, Embeddings, Vektoren, Transformer-basierte LLMs, multimodale Modelle, Diffusion Models - was AWS in Prüfungsfragen typischerweise verlangt.
- Use Cases generativer KI: Bild-, Video- und Audiogenerierung, Zusammenfassungen, Chatbots, Übersetzung, Code-Generierung, Customer Service Agents, Suche, Empfehlungen.
- Foundation-Model-Lebenszyklus: Datenauswahl, Modellauswahl, Pre-Training, Fine-Tuning, Evaluation, Deployment, Feedback - jede Phase mit ihren typischen Risiken und Entscheidungen.
- Vor- und Nachteile generativer KI: Adaptivität, Reaktionsfähigkeit und Einfachheit gegenüber Halluzinationen, Interpretierbarkeitsproblemen, Ungenauigkeit und Nicht-Determinismus.
- Praxis-Übung: Drei Geschäftsanforderungen (interner Wissens-Chatbot, Marketing-Bildgenerator, Code-Assistent) mit den Kriterien Modelltyp, Performance, Compliance, Kostenrahmen, Latenz bewerten und das passende Foundation-Model-Profil skizzieren.
- Amazon Bedrock: Managed-Service für Foundation Models (Anthropic Claude, Meta Llama, Mistral, Cohere, AI21, Stability AI, Amazon Titan, Amazon Nova) - der zentrale Prüfungsservice für GenAI.
- Amazon SageMaker JumpStart: vorgefertigte Modelle und Lösungen für eigene Trainings- und Deployment-Pipelines.
- Amazon Q: KI-Assistent für Business-User (Q Business) und Entwickler (Q Developer); Abgrenzung gegenüber Bedrock und SageMaker.
- PartyRock: Spielwiese für Bedrock - relevant als Lernumgebung und gelegentlich Prüfungsgegenstand.
- Kostenmodelle: Token-basierte Abrechnung, Provisioned Throughput, Custom Models - inklusive der Tradeoffs Reaktionsfähigkeit, Verfügbarkeit, Redundanz, regionale Abdeckung.
- Praxis-Übung: Vier Architekturskizzen (Customer-Service-Bot, interne Q&A, Content-Generator für Marketing, Entwicklungs-Copilot) mit den richtigen AWS-Services bestücken. Vergleich der Skizzen in der Gruppe und Diskussion von Alternativen.
5. Domain 3: Anwendungen von Foundation Models (28 % der Prüfung - der grösste Block)
- Modellauswahl: Kosten, Modalität, Latenz, Mehrsprachigkeit, Modellgrösse und -komplexität, Anpassbarkeit, Input-/Output-Länge - die Auswahlkriterien, die in Prüfungsfragen abgefragt werden.
- Inferenz-Parameter: Temperature, Top-p, Top-k, Maximum Tokens, Stop Sequences - wie sie das Ergebnis beeinflussen und wann welche Einstellung passt.
- Retrieval Augmented Generation (RAG): Architekturmuster, Bedrock Knowledge Bases, Embeddings, Vektordatenbanken auf AWS (Amazon OpenSearch Service, Aurora mit pgvector, Neptune, DocumentDB, RDS for PostgreSQL).
- Anpassung von Foundation Models: Pre-Training, Continuous Pre-Training, Fine-Tuning (Instruction Tuning, Domain Adaptation, Transfer Learning), In-Context Learning, RAG - mit Kosten- und Aufwandsvergleich.
- Prompt Engineering: Kontext, Instruktion, Negative Prompts, Latent Space, Techniken (Zero-Shot, One-Shot, Few-Shot, Chain-of-Thought, Prompt-Templates), Risiken (Prompt Injection, Jailbreaking, Prompt Hijacking, Data Poisoning, Exposure).
- Agents for Amazon Bedrock: Mehrschritt-Aufgaben mit Funktionsaufrufen und Werkzeugen - was Agenten leisten und wo ihre Grenzen liegen.
- Modell-Evaluation: Human Evaluation, Benchmark-Datasets, Metriken wie ROUGE (Zusammenfassung), BLEU (Übersetzung), BERTScore - und wie man Geschäftsziele mit technischen Metriken verbindet.
- Praxis-Übung: Eine RAG-Architektur für einen unternehmensinternen Wissens-Chatbot vollständig auf AWS skizzieren (Datenquelle, Embedding-Modell, Vektorspeicher, Foundation Model, Prompt-Vorlage, Guardrails). Entscheidung Fine-Tuning vs. RAG mit Kostenargumentation begründen.
- Merkmale verantwortungsvoller KI: Bias, Fairness, Inklusivität, Robustheit, Sicherheit, Wahrhaftigkeit (Veracity).
- Bias und Varianz: Daten-Bias, Algorithmus-Bias, Auswirkungen auf demografische Gruppen, Overfitting, Underfitting - inklusive Erkennung über Subgruppenanalyse, Label-Quality-Pruefung und menschliche Audits.
- AWS-Werkzeuge für Responsible AI: Guardrails for Amazon Bedrock (Themenfilter, sensible Inhalte, Wortlisten, PII-Erkennung), SageMaker Clarify (Bias-Erkennung, Explainability), SageMaker Model Monitor (Drift-Erkennung), Amazon Augmented AI / A2I (Human-in-the-Loop).
- Transparenz und Erklärbarkeit: SageMaker Model Cards, Open-Source-Modelle, Lizenzierung, Datenherkunft, Tradeoff zwischen Modell-Performance und Interpretierbarkeit, Prinzipien des Human-Centered Design.
- Rechtliche Risiken: Urheberrechtsansprüche, voreingenommene Modellausgaben, Vertrauensverlust, Risiken für Endnutzer, Halluzinationen mit Geschäftsfolgen.
- Praxis-Übung: Zwei reale KI-Anwendungen (Bewerbungsfilter, Kreditscoring) auf Bias, Erklärbarkeit, Fairness und rechtliche Risiken prüfen. Welche AWS-Werkzeuge würden welche Schwachstellen adressieren?
- Absicherung von KI-Systemen: IAM-Rollen, Policies und Berechtigungen, Verschlüsselung at-rest und in-transit (KMS), Amazon Macie (Datenklassifizierung und PII-Erkennung), AWS PrivateLink, Shared Responsibility Model im KI-Kontext.
- Datenherkunft und Quellenangabe: Data Lineage, Data Cataloging, SageMaker Model Cards - die Werkzeuge, die in Prüfungsfragen rund um Nachvollziehbarkeit abgefragt werden.
- Sichere Daten-Engineering-Praktiken: Datenqualität, Privacy-Enhancing Technologies, Zugriffskontrolle, Datenintegrität, Schutz vor Prompt Injection und vor Data-Poisoning-Angriffen.
- Governance und Compliance: regulatorische Standards (ISO 27001, SOC 2, Algorithm Accountability Laws), Generative AI Security Scoping Matrix als AWS-eigenes Framework, Datenlebenszyklus, Logging, Residency, Monitoring, Aufbewahrung.
- AWS-Services für Governance: AWS Config, Amazon Inspector, AWS Audit Manager, AWS Artifact, AWS CloudTrail, AWS Trusted Advisor - mit prüfungstypischer Aufgabenzuordnung.
- Praxis-Übung: Für ein KI-Projekt im Gesundheitswesen (Bedrock + Knowledge Base mit Patientendokumenten) das vollständige Sicherheits- und Governance-Konzept skizzieren: Verschlüsselung, IAM, PII-Schutz, Auditierung, Datenresidenz, Aufbewahrung.
Prüfungsstrategie und Fragetypen (30 Min):
- Multiple Choice (eine von vier richtig): Eliminationstechnik, Distraktoren erkennen, AWS-typische "wrong but tempting" Fallen.
- Multiple Response (mehrere von fünf+ richtig): nur volle Übereinstimmung zählt - Strategie für Teilkenntnis.
- Ordering (Schritte in Reihenfolge bringen): Workflows wie ML-Pipeline, Foundation-Model-Lifecycle, RAG-Anfrage.
- Matching (Listen zuordnen): typischerweise Services zu Use Cases, Metriken zu Aufgaben, Sicherheits-Tools zu Bedrohungen.
- Case Study (Szenario mit mehreren Fragen): zuerst alle Fragen lesen, dann das Szenario analysieren, dann antworten.
- Zeitmanagement: rund 80 Sekunden pro Frage, schwierige Fragen markieren und am Ende abarbeiten, niemals leer lassen (kein Punktabzug für falsche Antworten).
- Phase 1 - Probeklausur unter Prüfungsbedingungen (65 Min): 65 Fragen über alle fünf Domänen in der offiziellen Gewichtung (13 / 16 / 18 / 9 / 9 Fragen pro Domäne), 90 Minuten Zeit verkürzt auf 65 Minuten als Trainingseinheit. Selbständige Bearbeitung ohne Hilfsmittel.
- Phase 2 - Auswertung und Schwächenanalyse (15 Min): Score pro Domäne berechnen, Schwächen identifizieren, persönlichen Lernplan für die letzten Tage vor der echten Prüfung erstellen.
- Phase 3 - Peer-Review der schwierigsten Fragen (10 Min): "Eine Frage testet RAG vs. Fine-Tuning - wann ist welcher Ansatz die richtige Antwort?" "Bei der Frage zur Foundation-Model-Auswahl klingen Bedrock und SageMaker JumpStart beide plausibel - woran erkennst du, was AWS hier hören will?" "Eine Case Study beschreibt einen Kundenservice-Bot mit personenbezogenen Daten - welche drei Sicherheits-Services bringst du in welcher Reihenfolge ins Spiel?" "Bei einer Ordering-Frage zur ML-Pipeline schwankst du zwischen 'Feature Engineering vor EDA' oder 'EDA vor Feature Engineering' - was ist die offizielle AWS-Reihenfolge?" "Du bist unsicher zwischen Amazon Q Business und Amazon Q Developer - an welchen Stichworten in der Frage erkennst du, was gemeint ist?"
Zielgruppe & Vorkenntnisse
- IT-Fachkräfte und Cloud-Anwender ohne KI-Spezialisierung: Die ihre AWS-Kenntnisse um KI- und ML-Konzepte erweitern wollen und einen anerkannten Nachweis brauchen, der unabhängig von einer konkreten Rolle Glaubwürdigkeit schafft.
- Entscheider, Projektleiter und Berater: Die in KI-Projekten auf AWS mitreden, Architekturen bewerten und Service-Auswahl begleiten müssen, ohne selbst Modelle zu entwickeln, und die das offizielle AWS-Vokabular für Bedrock, SageMaker, Q und Foundation Models beherrschen wollen.
- Data-Engineering-, MLOps- und Analytics-Teams: Die als Vorstufe zur AWS Machine Learning Engineer Associate (MLA-C01) oder AWS Machine Learning Specialty einen sauberen Einstieg in das AWS-AI-Ökosystem suchen und Begriffe wie Foundation Model, RAG, Embeddings, Guardrails und Prompt Engineering systematisch lernen wollen.
- Vertrieb, Produktmanagement und Compliance: Die KI-Lösungen auf AWS einschätzen, anbieten oder regulatorisch begleiten müssen (Datenschutz, EU AI Act, ISO/SOC) und die fachliche Sprache mit AWS-Architekten und Kunden auf Augenhöhe sprechen wollen.
Ihre Schulung
In Präsenz | Online |
|---|---|
| Lernmethode | |
Ausgewogene Mischung aus Theorie und Praxis | Wie auch bei unseren Präsenz-Seminaren: Ausgewogene Mischung aus Theorie und praktischen Übungen. Trainer durchgehend präsent. |
| Unterlagen | |
Seminarunterlagen oder Fachbuch zum Seminar inklusive, das man nach Rücksprache mit dem Trainer individuell auswählen kann. | Seminarunterlagen oder Fachbuch inklusive (via DHL). Das Fachbuch wählt der Trainer passend zum Seminar aus - Ihren individuellen Buch-Wunsch berücksichtigen wir auf Nachfrage gerne. |
| Arbeitsplatz | |
| PC/VMs für jeden Teilnehmenden Hochwertige und performante Hardware Große, höhenverstellbare Bildschirme Zugang zu Ihrem Firmennetz erlaubt |
|
| Lernumgebung | |
Neu aufgesetzte Systeme für jeden Kurs in Abstimmung mit dem Seminarleiter. | |
| Arbeitsmaterialien | |
DIN A4 Block, Notizblock, Kugelschreiber, USB-Stick, Textmarker, Post-its | |
| Teilnahmezertifikat | |
Nach Abschluss des Seminars erhalten Sie das Teilnahmezertifikat inkl. Inhaltsverzeichnis per E-Mail als PDF. | |
Organisation
In Präsenz | Online | |
|---|---|---|
| Teilnehmendenzahl | ||
min. 1, max. 8 Personen | ||
| Garantierte Durchführung | ||
Ab 1 Teilnehmenden* | ||
| Schulungszeiten | ||
| ||
| Ort der Schulung | ||
 GFU SchulungszentrumAm Grauen Stein 27 51105 Köln-Deutz oder online im Virtual Classroom oder europaweit bei Ihnen als Inhouse-Schulung Um ein optimales Raumklima zu gewährleisten, haben wir das Schulungszentrum mit 17 hochmodernen Trotec TAC V+ Luftreinigern ausgestattet. Diese innovative Filtertechnologie (H14 zertifiziert nach DIN EN1822) sorgt dafür, dass die Raumluft mehrfach pro Stunde umgewälzt wird und Schadstoffe zu 99.995% im HEPA-Filter abgeschieden und infektiöse Aerosole abgetötet werden. Zusätzlich sind alle Räume mit CO2-Ampeln ausgestattet, um jederzeit eine hervorragende Luftqualität sicherzustellen. | ||
| Räumlichkeiten | ||
Helle und modern ausgestattete Räume mit perfekter Infrastruktur | Bequem aus dem Homeoffice von überall | |
| Preisvorteil | ||
Dritter Mitarbeitende nimmt kostenfrei teil. Eventuell anfallende Prüfungskosten für den dritten Teilnehmenden werden zusätzlich berechnet. Hinweis: Um den Erfolg der Schulung zu gewährleisten, sollte auch der dritte Teilnehmende die erwarteten Vorkenntnisse mitbringen. | ||
| KOMPASS — Förderung für Solo-Selbstständige | ||
Solo-Selbstständige können für dieses Seminar eine Förderung via KOMPASS beantragen. | ||
| All-Inclusive | ||
Gebäck, Snacks und Getränke ganztägig, Mittagessen im eigenen Restaurant, täglich 6 Menüs, auch vegetarisch | Eine Auswahl unserer Frühstücks-Snacks und Nervennahrungs-Highlights senden wir Ihnen mit den Seminarunterlagen via DHL zu. | |
| Barrierefreiheit | ||
Das GFU-Schulungszentrum (Am Grauen Stein 27) ist barrierefrei | - | |
Buchen ohne Risiko
| Rechnungsstellung |
Erst nach dem erfolgreichen Seminar. Keine Vorkasse. |
| Stornierung |
Kostenfrei bis zum Vortag des Seminars |
| Vormerken statt buchen |
Sichern Sie sich unverbindlich Ihren Seminarplatz schon vor der Buchung - auch wenn Sie selbst nicht berechtigt sind zu buchen |
Kostenfreie Services
In Präsenz | Online |
|---|---|
|
|
Buchungsmöglichkeiten
Online oder in Präsenz teilnehmen
Sie können sowohl Online als auch in Präsenz am Seminar teilnehmen. Klicken Sie bei Ihrer Buchung oder Anfrage einfach die entsprechende Option an.
Gesicherte offene Termine
| Termin | Ort | Preis | ||
|---|---|---|---|---|
| 17.08.-20.08.2026 Plätze vorhanden Köln / Online 2.660,00 | Köln / Online | 2.660,00 | Buchen Vormerken | |
| 19.10.-22.10.2026 Plätze vorhanden Köln / Online 2.660,00 | Köln / Online | 2.660,00 | Buchen Vormerken | |
| 2027 | ||||
| 04.01.-07.01.2027 Plätze vorhanden Köln / Online 2.660,00 | Köln / Online | 2.660,00 | Buchen Vormerken | |
| 15.03.-18.03.2027 Plätze vorhanden Köln / Online 2.660,00 | Köln / Online | 2.660,00 | Buchen Vormerken | |
| 17.05.-20.05.2027 Plätze vorhanden Köln / Online 2.660,00 | Köln / Online | 2.660,00 | Buchen Vormerken | |
- Lernumgebung in der Cloud
- Inhalte werden auf Wunsch an die Anforderungen Ihres Teams angepasst.
- Lernumgebung in der Cloud
- 1 Teilnehmender = Fokus aufs Fachliche und maximaler Raum für individuelle Fragen.
Unterstützung nach der Schulung durch
individuelle Nachbetreuung
- Alle folgenden Schulungsformen können auch Online als Virtual Classroom durchgeführt werden.
- Eine Offene Schulung findet zu einem festgelegten Zeitpunkt im voll ausgestatteten Schulungszentrum oder Online/Remote statt. Sie treffen auf Teilnehmende anderer Unternehmen und profitieren vom direkten Wissensaustausch.
- Eine Inhouse-/Firmen-Schulung geht auf die individuellen Bedürfnisse Ihres Unternehmens ein. Sie erhalten eine kostenfreie Beratung von Ihrem Seminarleiter und können Inhalte und Dauer auf Ihren Schulungsbedarf anpassen. Inhouse-Schulungen können Europaweit durchgeführt werden.
- Bei einer Individual-Schulung erhalten Sie eine 1-zu-1 Betreuung und bestimmen Inhalt, Zeit und Lerntempo. Der Dozent passt sich Ihren Wünschen und Bedürfnissen an.
Sie können unsere Schulungen auch als Remote Schulung im Virtual Classroom anfragen.
In drei Schritten zum Online Seminar im Virtual Classroom:
- Seminar auswählen und auf "Buchen" klicken
- Wählen Sie bei "Wie möchten Sie teilnehmen?" einfach "Online" aus.
- Formular ausfüllen und über den Button "Jetzt buchen" absenden.
Unser Kundenservice meldet sich bei Ihnen mit der Buchungsbestätigung.
Unsere Online Schulungen finden im Virtual Classroom statt. Ein Virtual Classroom bündelt mehrere Werkzeuge, wie Audio-Konferenz, Text-Chat, Interaktives Whiteboard, oder Application Sharing.
Vorteile von Virtual Classroom:
- Sie erhalten 1 zu 1 die gleiche Lernumgebung, die Sie auch vor Ort bei uns vorfinden
- Die technische Vorbereitung wird von den GFU-Technikern vorgenommen
- Sie erhalten remote Zugriff auf Ihren persönlichen Schulungs-PC im GFU-Seminarraum
- Die Virtual Classroom Lösung lässt sich auch im Browser betreiben
- Die GFU-Technik leistet wie gewohnt Soforthilfe bei Problemen
- Die Schulungsunterlagen bekommen Sie via DHL zugeschickt
- Sie sparen Reisekosten und Zeit
- 17. Aug. - 20. Aug. ✓ Noch einige Plätze frei ▶ Köln + Online/Remote
- 19. Okt. - 22. Okt. ✓ Noch einige Plätze frei ▶ Köln + Online/Remote
- 04. Jan. - 07. Jan. ✓ Noch einige Plätze frei ▶ Köln + Online/Remote
- 15. Mär. - 18. Mär. ✓ Noch einige Plätze frei ▶ Köln + Online/Remote
- 17. Mai - 20. Mai ✓ Noch einige Plätze frei ▶ Köln + Online/Remote
- Auch als Inhouse-Schulung, bundesweit mit Termin nach Wunsch und individuellen Inhalten
- Buchen ohne Risiko! Kostenfreie Stornierung bis zum Vortag des Seminars
Die Seminare der GFU finden in angenehmer Atmosphäre statt und sind perfekt organisiert. Profitieren Sie von dem Rundum-Service der GFU!
Machen Sie sich keinen Kopf um die Anreise! Unser Shuttle fährt Sie. Oder Sie parken einfach auf einem extra für Sie reservierten Parkplatz.
Hotelzimmer gesucht? Wir organisieren Ihnen eins. Ihr Vorteil: Sie sparen Zeit und Geld!
Stornierung bei offenen Seminaren kostenfrei bis einen Tag vor Schulungsbeginn.
Unsere Techniker sind immer zur Stelle, egal ob online oder vor Ort.