diff --git a/docs/00b-basics/01-what-to-expect-of-this-module.adoc b/docs/00b-basics/01-what-to-expect-of-this-module.adoc
index f856b39..7d5378d 100644
--- a/docs/00b-basics/01-what-to-expect-of-this-module.adoc
+++ b/docs/00b-basics/01-what-to-expect-of-this-module.adoc
@@ -6,9 +6,7 @@ für KI-Systeme als Mittel, um leistungsfähige, skalierbare und integrierbare K
 Lösungen zu gestalten. Am Ende des Moduls kennen die Teilnehmer:innen die
 wesentlichen Prinzipien der Softwarearchitektur für KI-Systeme und können diese
 bei Entwurf und Implementierung von Machine Learning und Generative KI-
-Systemen anwenden. Sie sind mithilfe der vermittelten kommunikativen Fähigkeiten
-in der Lage, eine einheitliche Sprache zwischen Data Scientists, KI-Expert:innen und
-Softwareentwickler:innen zu etablieren. Mit Hilfe der vermittelten
+Systemen anwenden. Mit Hilfe der vermittelten
 Modellierungstechniken und Architekturwerkzeuge können sie KI-Komponenten
 nahtlos in bestehende Softwaresysteme integrieren. Die Schulung umfasst sowohl
 Machine Learning Systeme als auch Generative KI und vermittelt, wie diese mit
diff --git a/docs/00b-basics/04-prerequisites-for-this-training.adoc b/docs/00b-basics/04-prerequisites-for-this-training.adoc
index 94557d5..1a6ea2d 100644
--- a/docs/00b-basics/04-prerequisites-for-this-training.adoc
+++ b/docs/00b-basics/04-prerequisites-for-this-training.adoc
@@ -3,14 +3,16 @@
 
 Teilnehmer:innen **sollten** folgende Kenntnisse und/oder Erfahrung mitbringen:
 
-* Grundlegendes Wissen zu KI, Machine Learning und Data Science
-* Machine Learning Methoden wie Supervised, Unsupervised Learning und Reinforcement Learning, z.B Klassifikation, Clustering, Regression, Dimensionality Reduction
-* Grundsätzliches Wissen über die typischen Algorithmen wie: Linear/logistic regression, decision trees, random forests, support vector machines, K-means clustering, neural networks and deep learning
-* Wissen über Model evaluation: Cross-validation, Metrics (accuracy, precision, recall, F1-score), Bias-variance tradeoff
-* Erfahrung mit typischen Frameworks wie sk-learn, TensorFlow, PyTorch
-* Erfahrung mit Jupyter Notebooks oder ähnlichen Rapid Application Development (RAD) Werkzeugen
-* Wissen über die technischen Verfahren hinter KI, einschließlich: Maschinelles Lernen inkl. Deep Learning und LLMs, NLP-Ansätze (Natural Language Processing), Transformationsmodelle
-* Praktische Erfahrung mit Trainieren von Künstlichen Intelligenz Modellen
+
+* Ein grundlegendes Verständnis von Künstlicher Intelligenz, Machine Learning und Data Science
+* Vertrautheit mit Machine Learning-Methoden, wie Supervised Learning, Unsupervised Learning und Reinforcement Learning, einschließlich Klassifikation, Clustering, Regression und Dimensionality Reduction
+* Grundkenntnisse über gängige Algorithmen, wie z. B. lineare und logistische Regression, Entscheidungsbäume, Random Forests, Support Vector Machines, K-Means Clustering sowie neuronale Netze und Deep Learning
+* Ein Verständnis der Modellevaluation, einschließlich Cross-Validation, relevanter Metriken (Accuracy, Precision, Recall, F1-Score) und des Bias-Variance Tradeoffs
+* Erfahrung mit typischen Frameworks wie scikit-learn, TensorFlow und PyTorch
+* Vertrautheit mit Jupyter Notebooks oder ähnlichen Werkzeugen zur schnellen Anwendungsentwicklung (Rapid Application Development, RAD)
+* Ein grundlegendes Verständnis der technischen Verfahren hinter Künstlicher Intelligenz, einschließlich Maschinellen Lernens (insbesondere Deep Learning und LLMs) sowie Ansätzen im Bereich Natural Language Processing (NLP) und Transformationsmodellen
+* Praktische Erfahrung im Training von Künstlichen Intelligenz-Modellen
+
 
 // end::DE[]
 
diff --git a/docs/01-module-block-1/02-learning-goals.adoc b/docs/01-module-block-1/02-learning-goals.adoc
index 124cf9e..411dd4f 100644
--- a/docs/01-module-block-1/02-learning-goals.adoc
+++ b/docs/01-module-block-1/02-learning-goals.adoc
@@ -1,25 +1,40 @@
 === {learning-goals}
 
 // tag::DE[]
-Die Teilnehmer:Innen …
 
 [[LZ-1-1]]
-==== LZ 1-1: Wissen wie man Künstliche Intelligenz definiert und die Anordnung zu Machine Learning, Data Science, Deep Learning, Generative AI.
+==== LZ 1-1: Künstliche Intelligenz und Machine Learning, Data Science, Deep Learning, Generative AI einordnen können
+
+Die Teilnehmer:innen wissen, wie man Künstliche Intelligenz definiert und wie Machine Learning, Data Science, Deep Learning, Generative AI darin eingeordnet werden.
 
 [[LZ-1-2]]
-==== LZ 1-2: Wissen, wie man typische allgemeine Use-Cases für KI spezifiziert, z.B. Bilderkennung & -erzeugung, Sprachverarbeitung, Vorhersagen, Personalisierung und Anomalieerkennung.
+==== LZ 1-2: Typische allgemeine Anwendungsfälle für KI spezifizieren
+
+Die Teilnehmer:innen wissen, wie typische allgemeine Anwendungsfälle für KI spezifiziert werden können. Dies umfasst Anwundungsfälle für  z.B. Bilderkennung & -erzeugung, Sprachverarbeitung, Vorhersagen, Personalisierung und Anomalieerkennung.
 
 [[LZ-1-3]]
-==== LZ 1-3: Kennen Einsatzmöglichkeiten in verschiedenen Branchen, z.B. Marketing, Medizin, Robotik und Content-Creation.
+==== LZ 1-3: Einsatzmöglichkeiten in verschiedenen Branchen und Endnutzeranwendungen kennen
+
+Die Teilnehmer:innen kennen die möglichen Einsatzmöglichkeiten in verschiedenen Branchen, z.B. Marketing, Medizin, Robotik und Content-Creation. Darüber hinaus überblicken sie die Einsatzmöglichkeiten in Endnutzeranwendungen von KI. Darunter fallen z.B. Sprachassistenten (Chatbots) und Empfehlungssysteme (Recommender Engine).
+
 
 [[LZ-1-4]]
-==== LZ 1-4: Kennen Einsatzmöglichkeiten in Endnutzeranwendungen, z.B. bSprachassistenten (Chatbots) und Empfehlungssysteme (Recommender Engine).
+==== LZ 1-4: Risiken bei der Anwendung von KI identifizieren
+
+Die Teilnehmer:innen können Risiken, die bei der Anwendung von KI auftreten, identifizieren. Das können beispielsweise folgende Risiken sein:
+
+* Halluzinationen
+* Bias
+* (un-)Fairness 
+* gesellschaftlichen Risiken wie Deepfakes, AI-enabled Cyberattacs, Safety Risks in Critical Systems, Social Manipulation, Intellectual Property Issues usw. 
+
+
 
 [[LZ-1-5]]
-==== LZ 1-5: Wissen, wie man Risiken bei der Anwendung von KI (Halluzinationen, Bias, Fairness…) und gesellschaftlichen Risiken (Deepfakes, AI-enabled Cyberattacs, Safety Risks in Critical Systems, Social Manipulation, Intellectual Property Issues, etc.) identifiziert.
+==== LZ 1-5: Unterschiede zu traditioneller Software verstehen
+
+Die Teilnehmer:innen verstehen die Unterschiede von KI-Systemen zu tradiitoneller Software:
 
-[[LZ-1-6]]
-==== LZ 1-6: Kennen den Unterschied zu traditioneller Software:
 * Datengetrieben (bei ML) - Daten-zentrierte statt Code-zentrierte Entwicklung
 * Probabilistische Ergebnisse (Non-deterministic behavior)
 * Statistische Validierung
@@ -30,26 +45,46 @@ Die Teilnehmer:Innen …
 * AI-spezifische Regulatorik von Branchen und auf EU-Ebene müssen berücksichtigt werden.
 * Interoperabilität: Nahtlose Integration in bestehende Systeme und Technologiestacks.
 
+[[LZ-1-6]]
+==== LZ 1-6: Lösung von Problemen mittels KI oder klassischer SW-Entwicklung entscheiden können
+
+Teilnehmer:innen können entscheiden und erklären, ob und warum ein Problem mittels KI oder klassischer SW-Entwicklung zu lösen ist.
+
 [[LZ-1-7]]
-==== LZ 1-7: Können beurteilen, ob ein Problem mittels KI oder klassischer SW-Entwicklung zu lösen ist.
+==== LZ 1-7: Rollen und deren Aufgaben sowie ihre Zusammenarbeit im Kontext von KI kennen
+
+Die Teilnehmer:innen kennen typische Rollen und deren Aufgaben in diesen Kontexten. Die Rollen umfassen insbesondere:
+
+* Data Scientist
+* Data Analyst
+* Data Engineer
+* Machine Learning Engineer
+* MLOps Engineer
+* AI Architect
+* Data Architect
+* Business Intelligence (BI) Developer
+* Data Governance Specialist
+* ML-Researcher
+
+Die Teilnehmer:innen wissen darüber hinaus, wie diese Rollen im Team zusammenarbeiten könnten (Team Topologies für ML-Teams).
+
+
 
 [[LZ-1-8]]
-==== LZ 1-8: Kennen typische Rollen und deren Aufgaben in diesen Kontexten: Data Scientist, Data Analyst, Data Engineer, Machine Learning Engineer, MLOps Engineer, AI Architect, Data Architect, Business Intelligence (BI) Developer, Data Governance Specialist, ML-Researcher.
+==== LZ 1-8: KI Anwendungsfällen identifizieren und priorisieren können
+
+Die Teilnehmer:innen können KI Anwendungsfälle identifizieren und priorisieren.
 
 [[LZ-1-9]]
-==== LZ 1-9: Wissen, wie diese Rollen im Team zusammenarbeiten könnten (Team Topologies für ML-Teams).
+==== LZ 1-9: KI Stärken und Grenzen kennen
 
-[[LZ-1-10]]
-==== LZ 1-10: Wissen, wie man KI Use Cases identifiziert und priorisiert.
+Die Teilnehmer:innen verstehen die Stärken und die Grenzen von KI und kennen die sog. "Jagged Technological Frontier".
 
-[[LZ-1-11]]
-==== LZ 1-11: Kennen KI Stärken und Grenzen (Jagged Technological Frontier).
+[[LZ-1-10]]
+==== LZ 1-10: Productivity J-Curve Konzept in Verbindung mit KI-Technologie kennen 
 
-[[LZ-1-12]]
-==== LZ 1-12: Wissen wie man Künstliche Intelligenz definiert und die Anordnung zu Machine Learning, Data Science, Deep Learning, Generative AI.
+Dieses Phänomen hilft zu verstehen, warum Unternehmen bei der Implementierung von KI zunächst einen Produktivitätsrückgang verzeichnen können, dem bei der weiteren Entwicklung aber Produktivitätsgewinne folgen können.
 
-[[LZ-1-13]]
-==== LZ 1-13: Kennen Productivity J-Curve Konzept in Verbindung mit KI-Technologie (Dieses Phänomen hilft zu verstehen, warum Unternehmen bei der Implementierung von KI zunächst einen Produktivitätsrückgang verzeichnen können, dem bei der weiteren Entwicklung aber Produktivitätsgewinne folgen können.).
 
 // end::DE[]
 
diff --git a/docs/02-module-block-2/02-learning-goals.adoc b/docs/02-module-block-2/02-learning-goals.adoc
index d4f2489..6db6f62 100644
--- a/docs/02-module-block-2/02-learning-goals.adoc
+++ b/docs/02-module-block-2/02-learning-goals.adoc
@@ -2,16 +2,18 @@
 
 // tag::DE[]
 
-Die Teilnehmer:Innen …
 
 [[LZ-2-1]]
-==== LZ 2-1: Wissen, wie Datenschutzgesetze, wie die DSGVO, die Sammlung, Verarbeitung und Speicherung von Daten durch KI-Systeme beeinflussen.
+==== LZ 2-1: Einfluss der Datenschutzgesetze auf die Implementierung und Nutzung von KI kennen
+
+Die Teilnehmer:innen kennen die Datenschutzgesetze wie die DSGVO und wissen, wie diese die Sammlung, Verarbeitung und Speicherung von Daten durch KI-Systeme beeinflussen.
 
 [[LZ-2-2]]
-==== LZ 2-2: Verstehen die Ziele und Regelungen des EU AI Act und dessen Einfluss auf die Entwicklung und den Einsatz von KI-Systemen.
+==== LZ 2-2: Ziele und Regelungen des EU AI Act sowie deren Einfluss auf den Entwicklungsprozess und die Architektur verstehen
+
+Die Teilnehmer:innen verstehen die Ziele und Regelungen des EU AI Act und wissen welchen Einfluss dies auf die Entwicklung und den Einsatz von KI-Systemen hat. Außerdem verstehen sie die Anforderungen des EU AI Act (Trustworthy AI) und welchen Einfluss diese Anforderungen auf den Entwicklungsprozess und die Architektur 
+des Softwaresystems haben. Insbesondere kennen sie den Einfluss auf einige der folgenden Aspekte:
 
-[[LZ-2-3]]
-==== LZ 2-3: Verstehen die Anforderungen für EU AI Act (Trustworthy AI) und welchen Einfluss diese Anforderungen auf die Architektur des Softwaresystems hat:
 * Risikomanagementsystem (Risikominimierung)
 * Datenqualität und Datengovernance (Qualitätsmanagementsystem)
 * Erstellung und Pflege einer umfassenden technischen Dokumentation des KI-Systems
@@ -21,65 +23,116 @@ Die Teilnehmer:Innen …
 * Gewährleistung eines angemessenen Maßes an Genauigkeit/Accuracy und Robustheit
 * Implementierung von Maßnahmen zur Cybersicherheit
 
+
+[[LZ-2-3]]
+==== LZ 2-3: Klassikifaktion von KI-Systemen nach EU AI Act Risikolevel durchführen können
+
+Die Teilnehmer:innen kennen die Klassifikation von KI-Systemen nach den EU AI Act Risikolevel (verboten, hochrisikoreich, begrenzt risikoreich, niedrigrisikoreich) und wissen,
+ welche regulatorischen Anforderungen jeweils gelten.
+
+
 [[LZ-2-4]]
-==== LZ 2-4: Wissen, wie KI-Systeme nach EU AI Act Risikolevel (verboten, hochrisikoreich, begrenzt risikoreich, niedrigrisikoreich) klassifiziert werden und welche regulatorischen Anforderungen jeweils gelten.
+==== LZ 2-4: Urheberrechtsproblematik von KI-generierten Inhalten einordnen können
+
+Die Teilnehmer:innen verstehen die Urheberrechtsproblematik für KI-generierte Inhalte und kennen die Auswirkungen auf bestimmte Software-Lizenzmodelle sowie mögliche Umgänge damit.
 
 [[LZ-2-5]]
-==== LZ 2-5: Wissen um die Urheberrechtsproblematik für KI-generierte Inhalte und die Auswirkungen auf bestimmte Software-Lizenzmodelle sowie mögliche Umgänge damit.
+==== LZ 2-5: Arten bzw. Grade der Offenheit sowie Arten von Lizenzen freier ML-Modelle überblicken
+
+Die Teilnehmer:innen überblicken verschiedene Arten bzw. Grade der Offenheit freier ML-Modelle. Das betrifft beispielsweise die Offenlegung der Daten 
+und der Modellparameter. Darüber hinaus kennen sie verschiedene Arten von Lizenzen freier ML-Modelle sowie deren Auswirkungen auf das KI-System.
+
+
 
 [[LZ-2-6]]
-==== LZ 2-6: Kennen verschiedene Arten bzw. Grade der Offenheit freier ML-Modelle, z.B. was die Offenlegung der Daten und der Modellparameter anbelangt.
+==== LZ 2-6: Strategien für die Einhaltung des europäischen AI-Acts und mögliche Herausforderungen verstehen
+
+Die Teilnehmer:innen verstehen die Grundaussagen des europäischen AI-Acts (insbesondere Transparenzpflichten) und kennen Strategien 
+für deren Einhaltung sowie mögliche Herausforderungen dabei.
 
 [[LZ-2-7]]
-==== LZ 2-7: Kennen verschiedene Arten von Lizenzen freier ML-Modelle sowie deren Auswirkungen.
+==== LZ 2-7: Modelle und Datensätze für die Nachvollziehbarkeit und Transparenz dokumentieren
+
+Die Teilnehmer:innen wissen, wie man Modelle und Datensätze effektiv dokumentiert, um Nachvollziehbarkeit und Transparenz zu gewährleisten.
+
 
 [[LZ-2-8]]
-==== LZ 2-8: Kennen die Grundaussagen des europäischen AI-Acts (insbesondere Transparenzpflichten) und kennen Strategien für deren Einhaltung sowie mögliche Herausforderungen dabei.
+==== LZ 2-8: Fallstricke hinsichtlich Security sowie Angriffsarten auf ML-Modelle kennen
+
+Die Teilnehmer:innen kennen mögliche Fallstricke hinsichtlich Security sowie typische Angriffsarten auf ML-Modelle. Dies betrifft beispielsweise:
+
+* LLM-Jailbreaks durch Prompt-Engineering 
+* Adversarial Attacks
+* Data Poisoning
+* Model Inversion & Extraction.
+
+
 
 [[LZ-2-9]]
-==== LZ 2-9: Wissen, wie man Modelle und Datensätze effektiv dokumentiert, um Nachvollziehbarkeit und Transparenz zu gewährleisten.
+==== LZ 2-9: AI-Risk Minimierung Strategien kennen und anwenden
+
+Die Teilnehmer:innen wissen, wie Strategien zur AI-Risikominimierung entwickelt und angewendet werden können. Insbesondere kennen die Teilnehmer:innen die folgenden Strategien:
+
+* Stärkung der Robustheit durch umfangreiche Tests
+* Fehlertolerante KI-Systeme
+* Transparente Entwicklung
+* Erklärbare KI (explainable AI)
+
 
 [[LZ-2-10]]
-==== LZ 2-10: Kennen mögliche Fallstricke hinsichtlich Security.
+==== LZ 2-10: Möglichkeiten zur Absicherung gegen Angriffe (AI Security) anwenden können
+
+Die Teilnehmer:innen kennen verschiedene Möglichkeiten zur Absicherung gegen Angriffe (AI Security) und insbesondere kennen sie Möglichkeiten 
+zur Integration von Sicherheitsstandards in die Architektur und können diese beim Entwurf berücksichtigen.
+
 
 [[LZ-2-11]]
-==== LZ 2-11: Kennen typische Angriffsarten auf ML-Modelle und Beispiele dafür, u.a.: LLM-Jailbreaks durch Prompt-Engineering, Adversarial Attacks, Data Poisoning, Model Inversion & Extraction.
+==== LZ 2-11: Grundproblematik und Facetten von AI-Safety verstehen
+
+Die Teilnehmer:innen verstehen die Grundproblematik von AI-Safety und kennen die verschiedenen Facetten dazu. Insbesondere kennen die Teilnehmer:innen
+spezifische Probleme wie beispielsweise "AI model risks by poisining" und  "Bias".
 
 [[LZ-2-12]]
-==== LZ 2-12: Wissen, wie man AI-Risk Minimierung Strategien entwickelt und anwendet.
+==== LZ 2-12: Probleme hinsichtlich Ethik, die KI-Systeme mit sich bringen können, verstehen und Ansätze zum Umgang mit ethischen Problemen kennen
 
-[[LZ-2-13]]
-==== LZ 2-13: Kennen verschiedene Möglichkeiten zur Absicherung gegen solche Angriffe (AI Security) und zur Integration von Sicherheitsstandards in die Architektur.
+Die Teilnehmer:innen wissen um die Probleme hinsichtlich Ethik, die KI-Systeme mit sich bringen können und kennen Ansätze und Möglichkeiten, mit ethischen Problemen umzugehen. Dies umfasst beispielsweise  KI-Alignment (und dessen Grenzen) sowie die Erstellung eigener KI-Richtlinien.
 
-[[LZ-2-14]]
-==== LZ 2-14: Kennen die Grundproblematik und die verschiedenen Facetten von AI-Safety.
 
-[[LZ-2-15]]
-==== LZ 2-15: Wissen um die Probleme hinsichtlich Ethik, die KI-Systeme mit sich bringen können
+[[LZ-2-13]]
+==== LZ 2-13: Ethik-Leitlinien überblicken
 
-[[LZ-2-16]]
-==== LZ 2-16: Kennen Ansätze und Möglichkeiten, mit ethischen Problemen umzugehen z.B. KI-Alignment (und dessen Grenzen) oder die Erstellung eigener KI-Richtlinien.
+Die Teilnehmer:innen überblicken wichtige Ethik-Leitlinien wie die „EU-Ethik-Leitlinien für vertrauenswürdige KI“ sowie die „Google AI Ethics Guidelines“.
 
-[[LZ-2-17]]
-==== LZ 2-17: Kennen wichtige Ethik-Leitlinien wie die „EU-Ethik-Leitlinien für vertrauenswürdige KI“ sowie die „Google AI Ethics Guidelines“
+[[LZ-2-14]]
+==== LZ 2-14: Kernprinzipien zu AI Governance und Responsible AI für Unternehmen kennen
+
+Die Teilnehmer:innen kennen die wichtigsten Dokumente zu AI Governance, um die Kernprinzipien zu AI Governance und Responsible AI für das Unternehmen auszuarbeiten. Dies betrifft 
+insbesondere die folgenden Dokumente:
 
-[[LZ-2-18]]
-==== LZ 2-18: Kennen die wichtigsten Dokumente zu AI Governance, um die Kernprinzipien zu AI Governance und Responsible AI für das Unternehmen auszuarbeiten.
 * OECD AI Principles, https://oecd.ai/en/ai-principles
 * The Asilomar AI Principles, https://futureoflife.org/open-letter/ai-principles/
 * The IEEE Ethically Aligned Design framework, https://standards.ieee.org/wp-content/uploads/import/documents/other/ead_v2.pdf
 
-[[LZ-2-19]]
-==== LZ 2-19: Erhalten einen Einblick in die Einrichtung von "Regulatory Sandboxes" zur Förderung von Innovationen und die möglichen rechtlichen Konsequenzen bei Nichteinhaltung der Vorschriften des AI-Acts.
+[[LZ-2-15]]
+==== LZ 2-15: Einblick in die Einrichtung von "Regulatory Sandboxes" und die mögliche rechtliche Konsequenzen bei Nichteinhaltung der Vorschriften des AI-Acts überblicken
+
+Die Teilnehmer:innen erhalten einen Einblick in die Einrichtung von "Regulatory Sandboxes" zur Förderung von Innovationen und 
+in die möglichen rechtlichen Konsequenzen bei Nichteinhaltung der Vorschriften des AI-Acts.
+
+[[LZ-2-16]]
+==== LZ 2-16: Strukturen und Prozesse für die Steuerung und Kontrolle von KI-Systemen, um ethische und gesetzliche Anforderungen zu erfüllen, verstehen
+
+Die Teilnehmer:innen verstehen die Strukturen und Prozesse, die zur Steuerung und Kontrolle von KI-Systemen notwendig sind, um ethische und gesetzliche Anforderungen zu erfüllen.
 
-[[LZ-2-20]]
-==== LZ 2-20: Verstehen die Strukturen und Prozesse, die zur Steuerung und Kontrolle von KI-Systemen notwendig sind, um ethische und gesetzliche Anforderungen zu erfüllen.
+[[LZ-2-17]]
+==== LZ 2-17: Effektive Datenverwaltung für Qualität und Sicherheit von Daten in KI-Anwendungen sicherstellen
 
-[[LZ-2-21]]
-==== LZ 2-21: Wissen, wie effektive Datenverwaltung die Qualität und Sicherheit von Daten in KI-Anwendungen sicherstellt.
+Die Teilnehmer:innen wissen, wie effektive Datenverwaltung die Qualität und Sicherheit von Daten in KI-Anwendungen sicherstellt.
+
+[[LZ-2-18]]
+==== LZ 2-18: Bedeutung und Umsetzung der Transparenzpflicht bei KI-Systemen verstehen
 
-[[LZ-2-22]]
-==== LZ 2-22: Verstehen die Bedeutung der Transparenzpflicht bei KI-Systemen und wissen, wie sie diese in der Praxis umsetzen können.
+Die Teilnehmer:innen verstehen die Bedeutung der Transparenzpflicht bei KI-Systemen und wissen, wie sie diese in der Praxis umsetzen können.
 
 // end::DE[]
 
diff --git a/docs/03-module-block-3/02-learning-goals.adoc b/docs/03-module-block-3/02-learning-goals.adoc
index 4651371..1e1733c 100644
--- a/docs/03-module-block-3/02-learning-goals.adoc
+++ b/docs/03-module-block-3/02-learning-goals.adoc
@@ -2,40 +2,79 @@
 
 // tag::DE[]
 
-Die Teilnehmer:Innen …
 
 [[LZ-3-1]]
-==== LZ 3-1: Haben ein Verständnis für den Life-Cycle eines Machine-Learning- bzw. Data-Science-Projekts: Exploratory Data Analysis, Data Cleansing und Aufbereitung, Feature Engineering, Modell Training und Auswahl, POC, Deployment, Maintenance.
+==== LZ 3-1: Life-Cycle eines Machine-Learning- bzw. Data-Science-Projekts verstehen
+
+Die Teilnehmer:innen haben ein Verständnis für den Life-Cycle eines Machine-Learning- bzw. Data-Science-Projekts. Dabei kennen sie insbesondere die folgenden Phasen:
+
+* Exploratory Data Analysis
+* Data Cleansing und Aufbereitung
+* Feature Engineering
+* Modell Training und Auswahl
+* POC
+* Deployment
+* Maintenance
 
 [[LZ-3-2]]
-==== LZ 3-2: Kennen typische Vorgehensmodelle für software development von KI-Systemen:
+==== LZ 3-2: Vorgehensmodelle für software development von KI-Systemen kennen
+
+Die Teilnehmer:innen kennen typische Vorgehensmodelle für software development von KI-Systemen. Dies sind beispielsweise
+
 * CRISP-ML(Q)
 * Team Data Science Process
-* GenAI Life Cycle
+* GenAI Life Cycle.
 
 [[LZ-3-3]]
-==== LZ 3-3: Kennen verschiedene Arten von Daten und typische ML-Probleme bzw. -Use-Cases.
+==== LZ 3-3: Arten von Daten und typische ML-Probleme kennen
+
+Die Teilnehmer:innen kennen verschiedene Arten von Daten und typische ML-Probleme sowie Anwendungsfälle.
 
 [[LZ-3-4]]
-==== LZ 3-4: Haben ein Verständnis für verschiedene Anforderungen an die Daten, z.B. Vorhandensein von Labels verschiedener Art.
+==== LZ 3-4: Anforderungen an die Daten für ML kennen
+
+Die Teilnehmer:innen haben ein Verständnis für verschiedene Anforderungen an die Daten, z.B. Vorhandensein von Labels verschiedener Art.
 
 [[LZ-3-5]]
-==== LZ 3-5: Verstehen die verschiedenen Machine Learning Problemstellungen (Supervised Learning, Unsupervised Learning, Reinforcement Learning) und wissen, welche Anforderungen diese haben.
+==== LZ 3-5: Machine Learning Problemstellungen und deren Anforderungen verstehen
+
+Die Teilnehmer:innen verstehen die verschiedenen Machine Learning Problemstellungen wie beispielsweise
+
+* Supervised Learning
+* Unsupervised Learning
+* Reinforcement Learning 
+
+und wissen, welche Anforderungen diese haben.
 
 [[LZ-3-6]]
-==== LZ 3-6: Verständnis für die Notwendigkeit von Validierung und Kenntnis der typischen Datenaufteilung in Trainings-, Validierungs- und Testdaten.
+==== LZ 3-6: Validierung und typischen Datenaufteilung in Trainings-, Validierungs- und Testdaten verstehen
+
+Die Teilnehmer:innen haben ein gutes Verständnis für die Notwendigkeit von Validierung und Kenntnis der typischen Datenaufteilung in Trainings-, Validierungs- und Testdaten.
 
 [[LZ-3-7]]
-==== LZ 3-7: Verständnis für Input Daten für verschiedene KI-Algorithmen (z.B. Neuronale Netze) als numerische Vektoren und Matrizen bzw. Tensoren; One-Hot-Encodings; Embeddings.
+==== LZ 3-7: Input Daten für verschiedene KI-Algorithmen einordnen können
+
+Die Teilnehmer:innen haben ein gutes Verständnis für Input Daten für verschiedene KI-Algorithmen wie beispielsweise 
+
+* Neuronale Netze als numerische Vektoren und Matrizen bzw. Tensoren 
+* One-Hot-Encodings
+* Embeddings.
 
 [[LZ-3-8]]
-==== LZ 3-8: Verstehen, wie man mit Herausforderungen wie Nicht-Determinismus, Datenqualität und Concept- und Modell-Drift umgeht.
+==== LZ 3-8: Mit Herausforderungen wie Nicht-Determinismus, Datenqualität und Concept- und Modell-Drift umgehen können
+
+Die Teilnehmer:innen verstehen, wie man mit Herausforderungen wie Nicht-Determinismus, Datenqualität und Concept- und Modell-Drift umgeht.
 
 [[LZ-3-9]]
-==== LZ 3-9: Kennen Transfer-Learning bzw. Fine Tuning als Möglichkeit, um die vortrainierten Basismodelle auf bestehende Use Cases zu adoptieren.
+==== LZ 3-9: Transfer-Learning bzw. Fine Tuning kennen
+
+Die Teilnehmer:innen kennen Transfer-Learning bzw. Fine Tuning als Möglichkeit, um die vortrainierten Basismodelle auf bestehende Anwendungsfälle zu adoptieren.
 
 [[LZ-3-10]]
-==== LZ 3-10: Wissen welche Design Patterns für KI-Systeme existieren und wie man passende Patterns auswählt:
+==== LZ 3-10: Design Patterns für KI-Systeme auswählen können
+
+Die Teilnehmer:innen wissen, welche Design Patterns für KI-Systeme existieren und wie man passende Patterns auswählt. Das betrifft die folgenden Design Patterns:
+
 * ML Systems Topology Patterns
 * Pipeline Architecture Patterns
 * Model Training Pattern
@@ -45,51 +84,96 @@ Die Teilnehmer:Innen …
 ==== Funktionale Anforderungen
 
 [[LZ-3-11]]
-==== LZ 3-11: Wissen, wie man die ein Use Case / Aufgabe eines ML-Modells definiert, z.B. die Klassifikation von Bildern oder die Erkennung von Betrug.
+==== LZ 3-11: Aufgabe eines ML-Modells definieren können
+
+Die Teilnehmer:innen wissen, wie man die Anwendungsfälle / Aufgaben eines ML-Modells definiert, wie beispielsweise die 
+Klassifikation von Bildern oder die Erkennung von Betrug.
+
 
 [[LZ-3-12]]
-==== LZ 3-12:Verstehen, welche Eingaben und Ausgaben für das Funktionieren eines ML-Systems erforderlich sind und können diese spezifizieren.
+==== LZ 3-12: Eingaben und Ausgaben für das Funktionieren eines ML-Systems verstehen und spezifizieren
+
+Die Teilnehmer:innen verstehen, welche Eingaben und Ausgaben für das Funktionieren eines ML-Systems erforderlich sind und können diese spezifizieren.
 
 [[LZ-3-13]]
-==== LZ 3-13: Kennen verschiedene Metriken zur Messung der Performance von ML-Modellen (z.B. Precision, Recall, F1, Accuracy, etc.) und wissen, wie man Bewertungskriterien zur Leistungsbeurteilung festlegt.
+==== LZ 3-13: Metriken zur Messung der Performance von ML-Modellen kennen
+
+Die Teilnehmer:innen kennen verschiedene Metriken zur Messung der Performance von ML-Modellen wie beispielsweise:
+
+* Precision, Recall
+* F1
+* Accuracy
+
+und wissen, wie man Bewertungskriterien zur Leistungsbeurteilung festlegt.
 
 [[LZ-3-14]]
-==== LZ 3-14: Verstehen, wie ML-Modelle in bestehende Systeme integriert werden können und kennen die Schnittstellen und Integrationspunkte.
+==== LZ 3-14: ML-Modellen in bestehende Systeme integrieren
+
+Die Teilnehmer:innen verstehen, wie ML-Modelle in bestehende Systeme integriert werden können und kennen die Schnittstellen und Integrationspunkte.
 
 [[LZ-3-15]]
-==== LZ 3-15: Wissen, wie Benutzeroberflächen gestaltet werden sollten, um effektive Interaktionen mit dem ML-System zu ermöglichen und die Benutzererfahrung zu optimieren.
+==== LZ 3-15: Benutzeroberflächen für KI-Systeme gestalten
+
+Die Teilnehmer:innen wissen, wie Benutzeroberflächen gestaltet werden sollten, um effektive Interaktionen mit dem ML-System zu ermöglichen und die Benutzererfahrung zu optimieren.
 
 ==== Nicht-funktionale Anforderungen
 
 [[LZ-3-16]]
-==== LZ 3-16: Verstehen die Bedeutung von Leistungskennzahlen wie Latenz und Durchsatz in KI-Systemen und wissen, wie diese optimiert werden können.
+==== LZ 3-16: Leistungskennzahlen wie Latenz und Durchsatz in KI-Systemen verstehen
+
+Die Teilnehmer:innen verstehen die Bedeutung von Leistungskennzahlen wie Latenz und Durchsatz in KI-Systemen und wissen, 
+wie diese optimiert werden können.
 
 [[LZ-3-17]]
-==== LZ 3-17: Verstehen die Bedeutung der Skalierbarkeit auf erhöhte Datenmengen und wissen, wie man KI-Systeme entwickelt, die mit steigenden Datenvolumen umgehen können, ohne an Leistung zu verlieren.
+==== LZ 3-17: Mit Skalierbarkeit auf erhöhten Datenmengen umgehen
+
+Die Teilnehmer:innen verstehen die Bedeutung der Skalierbarkeit auf erhöhte Datenmengen und wissen, 
+wie man KI-Systeme entwickelt, die mit steigenden Datenvolumen umgehen können, ohne an Leistung zu verlieren.
 
 [[LZ-3-18]]
-==== LZ 3-18: Verstehen, was Robustheit in KI-Systemen bedeutet, und können Strategien zur Erhöhung der Robustheit in verschiedenen Anwendungskontexten anwenden.
+==== LZ 3-18: Robustheit in KI-Systemen verstehen und Strategien zur Erhöhung der Robustheit anwenden.
+
+Die Teilnehmer:innen haben ein Verständnis davon, was Robustheit in KI-Systemen bedeutet, 
+und können Strategien zur Erhöhung der Robustheit in verschiedenen Anwendungskontexten anwenden.
+
 
 [[LZ-3-19]]
-==== LZ 3-19: Verstehen die Konzepte der Zuverlässigkeit und Verfügbarkeit und wissen, wie sie KI-Systeme bauen, die stabil und konstant verfügbar sind.
+==== LZ 3-19: Zuverlässigkeit und Verfügbarkeit von KI-Systemen einordnen können
+
+Die Teilnehmer:innen verstehen die Konzepte der Zuverlässigkeit und Verfügbarkeit und wissen, wie sie KI-Systeme bauen, die stabil und konstant verfügbar sind.
 
 [[LZ-3-20]]
-==== LZ 3-20: Verstehen, wie wichtig es ist, dass KI-Ergebnisse reproduzierbar und prüfbar sind, und wissen, welche Methoden zur Sicherstellung dieser Eigenschaften eingesetzt werden können.
+==== LZ 3-20: Reproduzierbarkeit und Prüfbarkeit von KI-Ergebnisse verstehen
+
+Die Teilnehmer:innen wissen, wie wichtig es ist, dass KI-Ergebnisse reproduzierbar und prüfbar sind, und wissen, welche Methoden zur Sicherstellung dieser Eigenschaften eingesetzt werden können.
 
 [[LZ-3-21]]
-==== LZ 3-21: Kennen die Anforderungen an Sicherheit, Datenschutz und Compliance und wissen, wie diese in KI-Systemen umgesetzt werden.
+==== LZ 3-21: Anforderungen an Sicherheit, Datenschutz und Compliance kennen
+
+Die Teilnehmer:innen kennen die Anforderungen an Sicherheit, Datenschutz und Compliance und wissen, wie diese in KI-Systemen umgesetzt werden.
 
 [[LZ-3-22]]
-==== LZ 3-22: Wissen, wie man KI-Modelle und -Systeme entwickelt, die ressourcenschonend arbeiten, indem sie Speicher, Rechenleistung und Speicherplatz effizient nutzen.
+==== LZ 3-22: Effiziente KI-Modelle und -Systeme entwerfen
+
+Die Teilnehmer:innen wissen, wie man KI-Modelle und -Systeme entwickelt, die ressourcenschonend arbeiten, 
+indem sie Speicher, Rechenleistung und Speicherplatz effizient nutzen.
 
 [[LZ-3-23]]
-==== LZ 3-23: Verstehen die Bedeutung von Erklärbarkeit und Interpretierbarkeit in KI-Systemen und wissen, wie man diese sicherstellen kann, um Vertrauen und Transparenz zu fördern.
+==== LZ 3-23: Erklärbarkeit und Interpretierbarkeit in KI-Systemen einordnen können
+
+Die Teilnehmer:innen verstehen die Bedeutung von Erklärbarkeit und Interpretierbarkeit in KI-Systemen und wissen, 
+wie man diese sicherstellen kann, um Vertrauen und Transparenz zu fördern.
+
 
 [[LZ-3-24]]
-==== LZ 3-24: Wissen, wie Bias in Daten und Modellen erkannt und reduziert werden können, um Fairness und Gleichbehandlung in KI-Anwendungen sicherzustellen.
+==== LZ 3-24: Bias in Daten und Modellen erkennen können
+
+Die Teilnehmer:innen wissen, wie Bias in Daten und Modellen erkannt und reduziert werden können, um Fairness und Gleichbehandlung in KI-Anwendungen sicherzustellen.
 
 [[LZ-3-25]]
-==== LZ 3-25: Kennen die Konzepte der Fehlertoleranz und können erläutern, wie KI-Systeme trotz Fehlern oder Störungen funktionsfähig bleiben.
+==== LZ 3-25: Fehlertoleranz in KI-Systemen kennen
+
+Die Teilnehmer:innen kennen die Konzepte der Fehlertoleranz und können erläutern, wie KI-Systeme trotz Fehlern oder Störungen funktionsfähig bleiben.
 
 // end::DE[]
 
diff --git a/docs/04-module-block-4/02-learning-goals.adoc b/docs/04-module-block-4/02-learning-goals.adoc
index ab62aed..ef88c61 100644
--- a/docs/04-module-block-4/02-learning-goals.adoc
+++ b/docs/04-module-block-4/02-learning-goals.adoc
@@ -1,31 +1,48 @@
 === {learning-goals}
 
 // tag::DE[]
-Die Teilnehmer:Innen …
 
 [[LZ-4-1]]
-==== LZ 4-1: Kennen verschiedene Methoden, um Daten zu akquirieren und Daten zu labeln.
+==== LZ 4-1: Daten zu akquirieren und Daten zu labeln
+
+Die Teilnehmer:innen überblicken verschiedene Methoden, um Daten zu akquirieren und Daten zu labeln.
 
 [[LZ-4-2]]
-==== LZ 4-2: Kennen gängige Plattformen für öffentlich zugängliche Daten.
+==== LZ 4-2: Gängige Plattformen für öffentlich zugängliche Daten kennen
+
+Die Teilnehmer:innen können gängige Plattformen für öffentlich zugängliche Daten nennen.
 
 [[LZ-4-3]]
-==== LZ 4-3: Haben einen Überblick über relevante Werkzeuge fürs Daten-Labeln, z.B. CVAT, Amazon Mechanical Turk.
+==== LZ 4-3: Relevante Werkzeuge für das Daten-Labeln überblicken
+
+Die Teilnehmer:innen kennen relevante Werkzeuge fürs Daten-Labeln wie beispielsweise CVAT, Amazon Mechanical Turk.
 
 [[LZ-4-4]]
-==== LZ 4-4: Haben Verständnis für die Gestaltung effizienter Datenpipelines und -architekturen, Betrachtung von Datenqualität, Speicherlösungen und deren Management.
+==== LZ 4-4: Effiziente Datenpipelines und -architekturen sowie effiziente Speicherlösungen und deren Management entwerfen
+
+Die Teilnehmer:innen haben ein Verständnis für die Gestaltung effizienter Datenpipelines und -architekturen, die Betrachtung von Datenqualität 
+sowie für Speicherlösungen und deren Management. Dazu kennen die Teilnehmer:innen Architekturmuster für Data-Engineering-Pipelines und ETL-Prozesse.
+
 
 [[LZ-4-5]]
-==== LZ 4-5: Kennen Architekturmuster für Data-Engineering-Pipelines und ETL-Prozesse.
+==== LZ 4-5: Strategien für Datenaggregation, -bereinigung, -transformation, -anreicherung und -augmentierung kennen
+
+Die Teilnehmer:innen kennen Strategien für Datenaggregation, -bereinigung, -transformation, -anreicherung und -augmentierung.
 
 [[LZ-4-6]]
-==== LZ 4-6: Kennen Strategien für Datenaggregation, -bereinigung, -transformation, -anreicherung und -augmentierung.
+==== LZ 4-6: Werkzeuge für Data Engineering Pipelines überblicken
 
-[[LZ-4-7]]
-==== LZ 4-7: Kennen relevante Werkzeuge für Data Engineering Pipelines wie Apache Spark und Flink.
+Die Teilnehmer:innen überblicken relevante Werkzeuge für Data Engineering Pipelines wie beispielsweise Apache Spark und Flink.
 
-[[LZ-4-8]]
-==== LZ 4-8: Kennen verschiedene Möglichkeiten zur Speicherung der Daten sowie deren Vor- und Nachteile: (CSV-)Dateien, Spaltenorientierte Dateien, Relationale und NoSQL-Datenbanken, Data Warehouses, Data Lakes.
+[[LZ-4-7]]
+==== LZ 4-7: Möglichkeiten zur Speicherung der Daten kennen
+
+Die Teilnehmer:innen kennen verschiedene Möglichkeiten zur Speicherung der Daten sowie deren Vor- und Nachteile. Zu den Möglichkeiten gehören die folgenden Technologien:
+* CSV-Dateien
+* Spaltenorientierte Dateien 
+* Relationale und NoSQL-Datenbanken
+* Data Warehouses
+* Data Lakes
 
 // end::DE[]
 
diff --git a/docs/05-module-block-5/02-learning-goals.adoc b/docs/05-module-block-5/02-learning-goals.adoc
index 0fd5c38..22d1b25 100644
--- a/docs/05-module-block-5/02-learning-goals.adoc
+++ b/docs/05-module-block-5/02-learning-goals.adoc
@@ -1,83 +1,147 @@
 === {learning-goals}
 
 // tag::DE[]
+
+
 [[LZ-5-1]]
-==== LZ 5-1: Kennen die unterschiedliche (Hardware)-Anforderungen (TPU, GPU, CPU) an Training und Inferenz.
+==== LZ 5-1: (Hardware)-Anforderungen an Training und Inferenz kennen
+
+Die Teilnehmer:innen kennen unterschiedliche (Hardware)-Anforderungen für beispielsweise TPU, GPU oder CPU an Training und Inferenz.
 
 [[LZ-5-2]]
-==== LZ 5-2: Kennen beispielhaft Trade-Offs verschiedener Modellarchitekturen bezüglich der Qualitätsmerkmale (insbesondere für Skalierung, Effizienz und Speicherlast), z.B. die Vor- und Nachteile von RNNs und Transformern.
+==== LZ 5-2: Trade-Offs verschiedener Modellarchitekturen bezüglich der Qualitätsmerkmale überblicken
+
+Die Teilnehmer:innen können beispielhaft Trade-Offs verschiedener Modellarchitekturen bezüglich der Qualitätsmerkmale nennen. Insbesondere für Skalierung, Effizienz und Speicherlast sollten die Teilnehmer:innen die Trade-Offs sowie die Vor- und Nachteile von wichtigen Architzekturen wie beispielsweise RNNs und Transformern kennen.
+
 
 [[LZ-5-3]]
-==== LZ 5-3: Kennen Möglichkeiten, um verschiedene Qualitätsmerkmale wie Genauigkeit, Effizienz und Speicherlast eines ML-Modells abzustimmen und gegeneinander einzutauschen, z.B. Quantisierung, Pruning, Destillierung, LoRA.
+==== LZ 5-3: Verschiedene Qualitätsmerkmale eines ML-Modells abstimmen
+
+Die Teilnehmer:innen kennen Möglichkeiten, um verschiedene Qualitätsmerkmale wie Genauigkeit, Effizienz und Speicherlast eines ML-Modells abzustimmen und gegeneinander 
+einzutauschen. Insbesondere kennen die Teilnehmer:innen die folgendsen Techniken: 
+* Quantisierung
+* Pruning
+* Destillierung
+* LoRA.
 
 [[LZ-5-4]]
-==== LZ 5-4: Haben ein Verständnis für Kosten, Stromverbrauch und nachhaltige Nutzung von KI (Green IT).
+==== LZ 5-4: Kosten, Stromverbrauch und nachhaltige Nutzung von KI (Green IT) verstehen
+
+Die Teilnehmer:innen erlangen ein Verständnis für Kosten, Stromverbrauch und nachhaltige Nutzung von KI (Green IT).
 
 [[LZ-5-5]]
-==== LZ 5-5: Kennen den Begriff MLOps für die Automatisierung des Life-Cycles eines Data-Science-Projekts und den Zusammenhang mit DevOps
+==== LZ 5-5: MLOps für die Automatisierung des Life-Cycles eines Data-Science-Projekts überblicken
+
+Die Teilnehmer:innen kennen den Begriff MLOps für die Automatisierung des Life-Cycles eines Data-Science-Projekts sowie den Zusammenhang mit DevOps.
 
 [[LZ-5-6]]
-==== LZ 5-6: Haben Verständnis für das Tracking von Modelltraining, Parametern, Metriken und Ergebnissen.
+==== LZ 5-6: Modelltraining, Parametern, Metriken und Ergebnissen tracken
+
+Die Teilnehmer:innen haben ein Verständnis vom Tracking im Modelltraining, Parametern, Metriken und Ergebnissen.
 
 [[LZ-5-7]]
-==== LZ 5-7: Kennen Ansätze zur Evaluation von ML-Modellen und darauf aufbauenden KI-Systemen.
+==== LZ 5-7: ML-Modelle und darauf aufbauenden KI-Systeme evaluieren
+
+Die Teilnehmer:innen überblicken Ansätze zur Evaluation von ML-Modellen und darauf aufbauenden KI-Systemen.
 
 [[LZ-5-8]]
-==== LZ 5-8: Kennen verschiedene Arten von Drift, z.B. Daten-Drift und Modell-Drift, sowie mögliche Ursachen und Lösungsansätze dafür.
+==== LZ 5-8: Arten von Drift sowie mögliche Ursachen und Lösungsansätze dafür kennen
+
+Die Teilnehmer:innen kennen verschiedene Arten von Drift, wie beispielsweise Daten-Drift oder Modell-Drift, sowie mögliche Ursachen und Lösungsansätze dafür.
 
 [[LZ-5-9]]
-==== LZ 5-9: Haben Verständnis für CI/CD-Pipelines, Modellmanagement und Deployment-Strategien für KI-Modelle.
+==== LZ 5-9: CI/CD-Pipelines, Modellmanagement und Deployment-Strategien für KI-Modelle überblicken
+
+Die Teilnehmer:innen haben ein Verständnis von CI/CD-Pipelines, Modellmanagement und Deployment-Strategien für KI-Modelle.
 
 [[LZ-5-10]]
-==== LZ 5-10: Kennen verschiedene Möglichkeiten der Zusammenarbeit und Verantwortungsaufteilung zwischen den verschiedenen Rollen, z.B. Data Engineer, ML-Engineer und Softwareentwickler:In bezogen auf die verschiedenen Phasen des Life-Cycles.
+==== LZ 5-10: Zusammenarbeit und Verantwortungsaufteilung zwischen den verschiedenen Rollen kennen
+
+Die Teilnehmer:innen kennen verschiedene Möglichkeiten der Zusammenarbeit und Verantwortungsaufteilung zwischen den verschiedenen Rollen, wie beispielsweise 
+Data Engineer, ML-Engineer und Softwareentwickler:in bezogen auf die verschiedenen Phasen des Life-Cycles.
 
 [[LZ-5-11]]
-==== LZ 5-11: Kennen gängige Plattformen für die Modellbereitstellung, z.B. Huggingface Hub.
+==== LZ 5-11: Plattformen für die Modellbereitstellung kennen
+
+Die Teilnehmer:innen kennen gängige Plattformen für die Modellbereitstellung, wie beispielsweise Huggingface Hub.
 
 [[LZ-5-12]]
-==== LZ 5-12: Kennen gängige Werkzeuge für das Erstellen von POCs von KI-Systemen, z.B. Gradio.
+==== LZ 5-12: Werkzeuge für das Erstellen von POCs von KI-Systemen einordnen können
+
+Die Teilnehmer:innen können gängige Werkzeuge für das Erstellen von POCs von KI-Systemen, wie beispielsweise Gradi, nennen und verstehen die konzeptionelle Funktionsweise.
+
 
 [[LZ-5-13]]
-==== LZ 5-13: Kennen verschiedene Deployment-Möglichkeiten: API Deployment, Embedded Deployment, Batch Prediction, Streaming, Containerization, Serverless Deployment, Cloud Services.
+==== LZ 5-13: Deployment-Möglichkeiten von KI-Modellen kennen
+
+Die Teilnehmer:innen kennen verschiedene Deployment-Möglichkeiten von KI-Modellen. Eine Auswahl der folgenden Möglichkeiten verstehen die Teilnehmer:innen: 
+* API Deployment
+* Embedded Deployment
+* Batch Prediction
+* Streaming
+* Containerization
+* Serverless Deployment
+* Cloud Services
 
 [[LZ-5-14]]
-==== LZ 5-14: Kennen die Vor- und Nachteile von SaaS und Self-Hosting und können dazwischen abwägen.
+==== LZ 5-14: Vor- und Nachteile von SaaS und Self-Hosting nennen können
+
+Die Teilnehmer:innen kennen die Vor- und Nachteile von SaaS und Self-Hosting und können dazwischen abwägen.
 
 [[LZ-5-15]]
-==== LZ 5-15: Kennen bekannte SaaS-KI-Lösungen, z.B. Azure OpenAI Services.
+==== LZ 5-15: SaaS-KI-Lösungen überblicken
+
+Die Teilnehmer:innen überblicken bekannte SaaS-KI-Lösungen, wie beispielsweise Azure OpenAI Services.
 
 [[LZ-5-16]]
-==== LZ 5-16: Kennen verschiedene Möglichkeiten und Standards für Embedded Deployments von ML-Modellen.
+==== LZ 5-16: Embedded Deployments von ML-Modellen kennen
+
+Die Teilnehmer:innen kennen verschiedene Möglichkeiten und Standards für Embedded Deployments von ML-Modellen.
 
 [[LZ-5-17]]
-==== LZ 5-17: Verstehen die Notwendigkeit für Monitoring, auch in Hinblick auf KI-spezifische Anforderungen wie das Tracking von Drift.
+==== LZ 5-17: Monitoring im Hinblick auf KI-spezifische Anforderungen verstehen
+
+Die Teilnehmer:innen verstehen die Notwendigkeit für Monitoring, auch im Hinblick auf KI-spezifische Anforderungen wie das Tracking von Drift.
 
 [[LZ-5-18]]
-==== LZ 5-18: Kennen relevante Metriken wie Accuracy, Precision, Recall, F1-Score, MAE, MSE, Perplexity, Latenz, Durchsatz und Ressourcenauslastung.
+==== LZ 5-18: Relevante Metriken für das Monitotring kennen
+
+Die Teilnehmer:innen kennen relevante Metriken wie beispielsweise Accuracy, Precision, Recall, F1-Score, MAE, MSE, Perplexity, Latenz, Durchsatz und Ressourcenauslastung und verstehen, warum diese für das Monitoring relevant sind.
 
 [[LZ-5-19]]
-==== LZ 5-19: Kennen Beispiel-Werkzeuge für Monitoring, sowohl allgemeine (z.B. Prometheus & Grafana) als auch ML-spezifische (z.B. MLflow).
+==== LZ 5-19: Beispiel-Werkzeuge für Monitoring überblicken
+
+Die Teilnehmer:innen kennen Beispiel-Werkzeuge für Monitoring. Dies betrifft sowohl allgemeine Werkzeuge, wie beispielsweise Prometheus & Grafana, 
+als auch ML-spezifische wie beispielsweise MLflow.
 
 [[LZ-5-20]]
-==== LZ 5-20: Verstehen den Nutzen von Nutzer-Feedback für das weitere Modelltraining.
+==== LZ 5-20: Nutzer-Feedback sowie Methoden und Werkzeuge zur Sammlung von Nutzer-Feedback verstehen
+
+Die Teilnehmer:innen verstehen den Nutzen von Nutzer-Feedback für das weitere Modelltraining. Darüber hinaus kennen die Teilnehmer:innen verschiedene Methoden und Werkzeuge zur Sammlung von Nutzer-Feedback, wie beispielsweise Auswahl zwischen mehreren Antworten und Flagging in Gradio.
+
 
 [[LZ-5-21]]
-==== LZ 5-21: Kennen verschiedene Methoden und Werkzeuge zur Sammlung von Nutzer-Feedback, z.B. Auswahl zwischen mehreren Antworten und Flagging in Gradio.
+==== LZ 5-21: Methoden zur Nutzung von Feedback für das Modell-Training kennen
 
-[[LZ-5-22]]
-==== LZ 5-22: Kennen verschiedene Methoden zur Nutzung von Feedback für das Modell-Training, z.B. RLHF, RLAIF und DPO.
+Die Teilnehmer:innen kennen verschiedene Methoden zur Nutzung von Feedback für das Modell-Training, wie beispielsweise RLHF, RLAIF und DPO.
 
 [[LZ-5-23]]
-==== LZ 5-23: Erfahren anhand eines Praxisbeispiels, wie eine MLOps-Pipeline aussehen kann und welche Einsichten diese auf die Parameter, Metriken usw. bietet.
+==== LZ 5-23: [OPTIONAL] MLOps-Pipeline an einem Praxisbeispiel verstehen 
+
+Die Teilnehmer:innen erfahren anhand eines Praxisbeispiels, wie eine MLOps-Pipeline aussehen kann und welche Einsichten diese auf die Parameter, Metriken usw. bietet.
 
 [[LZ-5-24]]
-==== LZ 5-24: Können Build vs. Buy Entscheidungen für MLOps Systeme/Komponente treffen.
+==== LZ 5-24: [OPTIONAL] Build vs. Buy Entscheidungen für MLOps Systeme/Komponenten treffen 
+
+Die Teilnehmer:innen sind in der Lage, Build vs. Buy Entscheidungen für MLOps Systeme/Komponenten zu treffen.
 
 [[LZ-5-25]]
-==== LZ 5-25: Kennen bekannte MLOps-Werkzeuge und End-to-End Plattformen, bspw.:
+==== LZ 5-25: [OPTIONAL] MLOps-Werkzeuge und End-to-End Plattformen kennen
+
+Die Teilnehmer:innen kennen bekannte MLOps-Werkzeuge und End-to-End Plattformen,wie beispielsweise:
 * Domino Data Lab, h2o.ai, DVC, activeloop, aporia, argo, arize, bentoML, comet ML, DagsHub, Databricks MLOps Stacks, Feast, Kedro, Kubeflow, Metaflow, MLflow, MLRun, prefect, PrimeHub, Weights & Biases, WhyLabs, zenML, KNIME, RapidMiner, NVIDIA AI Enterprise, watsonx.ai
 * OpenSource: MLFlow, Weights & Biases, ClearML
-* PaaS: AWS SageMaker, Azure ML
+* PaaS: AWS SageMaker, Azure ML.
 
 // end::DE[]
 
diff --git a/docs/06-module-block-6/02-learning-goals.adoc b/docs/06-module-block-6/02-learning-goals.adoc
index 71c40c6..b32abc7 100644
--- a/docs/06-module-block-6/02-learning-goals.adoc
+++ b/docs/06-module-block-6/02-learning-goals.adoc
@@ -1,71 +1,113 @@
 === {learning-goals}
 
 // tag::DE[]
+
+
+
 [[LZ-6-1]]
-==== LZ 6-1: Kennen verschiedene Integrationsebenen von KI: Anwendungen (z.B. Coding Assistenten), AI-Engineering (z.B. Prompt Engineering), ML-Modellentwicklung (z.B. pytorch), ML-Infrastruktur (z.B. Vektor-DBs).
+==== LZ 6-1: Integrationsebenen von KI überblicken
+
+Die Teilnehmer:innen kennen verschiedene Integrationsebenen von KI. Dazu gehören die folgenden Ebenen:
+* Anwendungen (z.B. Coding Assistenten)
+* AI-Engineering (z.B. Prompt Engineering) 
+* ML-Modellentwicklung (z.B. pytorch)
+* ML-Infrastruktur (z.B. Vektor-DBs).
+
 
 [[LZ-6-2]]
-==== LZ 6-2: Können das strategische Design von DDD (insbesondere Context Maps) einsetzen, um die Art und den Grad der Integration von KI-Systemen zu bestimmen und zu dokumentieren.
+==== LZ 6-2: Bibliotheken, Schnittstellen und Tools zur Integration von KI-Modellen kennen
+
+Die Teilnehmer:innen kennen einige Beispiele von verbreiteten Bibliotheken, Schnittstellen und Tools zur Integration von KI-Modellen.
 
 [[LZ-6-3]]
-==== LZ 6-3: Kennen die Qualitätsmerkmale, die für KI-Systeme besonders relevant sind: Verlässlichkeit, Skalierbarkeit, Effizienz, Sicherheit, Wartbarkeit, Interpretierbarkeit etc.
+==== LZ 6-3: KI-Systeme in die Gesamtarchitektur einer IT-Landschaft integrieren
+
+Die Teilnehmer:innen kennen Möglichkeiten, KI-Systeme in IT-Landschaften auf strategischer Ebene zu integrieren. Beispielswiese 
+können sie das strategische Design von DDD (insbesondere Context Maps) einsetzen, 
+um die Art und den Grad der Integration von KI-Systemen zu bestimmen und zu dokumentieren.
 
 [[LZ-6-4]]
-==== LZ 6-4: Kennen gängige Evaluations-Frameworks, um mit Unbestimmtheit und Fehlern in KI-Systemen umzugehen z.B. LangSmith oder LangFuse.
+==== LZ 6-4: Relevante Qualitätsmerkmale für KI-Systeme überblicken
+
+Die Teilnehmer:innen verstehen die Qualitätsmerkmale, die für KI-Systeme besonders relevant sind. Dazu gehören insbesondere die folgenden Qualitätsmerkmale:
+* Verlässlichkeit
+* Skalierbarkeit
+* Effizienz
+* Sicherheit
+* Wartbarkeit
+* Interpretierbarkeit
 
 [[LZ-6-5]]
-==== LZ 6-5: Kennen einige Beispiele von verbreiteten Bibliotheken, Schnittstellen und Tools zur Integration von KI-Modellen.
+==== LZ 6-5: [OPTIONAL] Evaluations-Frameworks für KI-Systeme kennen
+
+Die Teilnehmer:innen kennen gängige Evaluations-Frameworks wie beispielsweise LangSmith oder LangFuse, um mit Unbestimmtheit und Fehlern in KI-Systemen umzugehen.
+
 
 [[LZ-6-6]]
-==== LZ 6-6: Üben und diskutieren anhand eines Fallbeispiels mit einer ausgedachten Fachlichkeit, Integrationsoptionen für KI in eine bestehende Software-Landschaft abzuwägen.
+==== LZ 6-6: [OPTIONAL] Fallbeispiel mit einer ausgedachten Fachlichkeit diskutieren
+
+Die Teilnehmer:innen üben und diskutieren anhand eines Fallbeispiels mit einer ausgedachten Fachlichkeit, Integrationsoptionen für KI in eine bestehende Software-Landschaft abzuwägen.
 
 [[LZ-6-7]]
-==== LZ 6-7: Haben ein grundlegendes Verständnis von generativer KI z.B. LLMs und Stable Diffusion.
+==== LZ 6-7: Generative KI grundlegend verstehen
+
+Die Teilnehmer:innen haben ein grundlegendes Verständnis von generativer KI wie beispielsweise LLMs und Stable Diffusion.
 
 [[LZ-6-8]]
-==== LZ 6-8: Haben einen Überblick über die Funktionsweise von LLMs und die zugehörige Begriffswelt: Token, Embedding, RNN, Transformer, Attention…
+==== LZ 6-8: Funktionsweise von LLMs verstehen
+
+Die Teilnehmer:innen verstehen die Funktionsweise von LLMs und können die zugehörige Begriffswelteinordnen: Token, Embedding, RNN, Transformer, Attention.
 
 [[LZ-6-9]]
-==== LZ 6-9: Kennen bekannte Patterns bei der Nutzung von LLMs:
+==== LZ 6-9: Bekannte Patterns bei der Nutzung von LLMs kennen
+
+Die Teilnehmer:innen kennen bekannte Patterns bei der Nutzung von LLMs. Dies umfasst die folgenden Patterns:
 * RAG und Retrieval-Strategien
 * Function Calling
 * Finetuning
 * Assistenten
-* Agenten, etc.
+* Agenten
 
 [[LZ-6-10]]
-==== LZ 6-10: Kennen typische Use-Cases für RAG wie „Talk to your documents/database/API“.
+==== LZ 6-10: Use-Cases für RAG (Retrieval-Augmented Generation) kennen
+
+Die Teilnehmer:innen kennen typische Use-Cases für RAG wie beispielsweise „Talk to your documents/database/API“.
 
 [[LZ-6-11]]
-==== LZ 6-11: Kennen verschiedene RAG-Techniken:
+==== LZ 6-11: Ausgewählte RAG-Techniken kennen und verstehen
+
+Die Teilnehmer:innen kennen eine Auswahl der gängigen RAG-Techniken wie beispielsweise:
+
 * Simple RAG
 * Context Enrichment Techniques
-* Multi-faceted Filtering
 * Fusion Retrieval
 * Intelligent Reranking
 * Query Transformations
-* Hierarchical Indices
-* Hypothetical Questions
-* Dynamic Chunk Sizing
-* Semantic Chunking
-* Contextual Compression
-* Explainable Retrieval
-* Retrieval with Feedback Loops
 * Adaptive Retrieval
 * Iterative Retrieval
 * Ensemble Retrieval
 * Knowledge Graph Integration
-* Multi-modal Retrieval
-* RAPTOR: Recursive Abstractive Processing for Tree-Organized Retrieval
 
 [[LZ-6-12]]
-==== LZ 6-12: Kennen verschiedene Arten von Prompt Engineering (z.B. Few-Shot-Learning, Chain-of-Thought, Role-Playing) und allgemeine Best Practices für das Prompting.
+==== LZ 6-12: Arten von Prompt Engineering kennen
+
+Die Teilnehmer:innen kennen verschiedene Arten von Prompt Engineering, wie beispielsweise
+* Few-Shot-Learning
+* Chain-of-Thought
+* Role-Playing
+
+sowie allgemeine Best Practices für das Prompting.
 
 [[LZ-6-13]]
-==== LZ 6-13: Wissen, was Agentic Workflows sind: Reflexion, Werkzeug-Nutzung, Planung, Multi-Agenten-Kollaboration.
+==== LZ 6-13: Agentic Workflows überblicken
+
+Die Teilnehmer:innen wissen, was Agentic Workflows sind und kennen die Begriffe Reflexion, Werkzeug-Nutzung, Planung und Multi-Agenten-Kollaboration.
 
 [[LZ-6-14]]
-==== LZ 6-14: Wissen welche Design Patterns für Generative AI-Systeme existieren:
+==== LZ 6-14: Eine Auswahl von Design Patterns für Generative AI-Systeme kennen
+
+Die Teilnehmer:innen wissen welche Design Patterns für Generative AI-Systeme existieren. Sie kennen eine Auswahl der folgenden Patterns:
+
 * AI Query Router [Simple Router; Ranking-based Router; Learning-based Router
 * Layered Caching Strategy Leading to Fine-Tuning
 * Multiplexing AI Agents
@@ -78,19 +120,36 @@
 * Red and Blue Team Dual-Model Evaluation
 
 [[LZ-6-15]]
-==== LZ 6-15: Kennen Techniken zur Evaluation von LLM-Anwendungen: Scoring, Human Feedback, Comparative Evaluation, Model Based Evaluation etc.
+==== LZ 6-15: Techniken zur Evaluation von LLM-Anwendungen kennen
+
+Die Teilnehmer:innen kennen mehrere Techniken zur Evaluation von LLM-Anwendungen. Dies können beispielsweise die folgenden Techniken sein:
+
+* Scoring
+* Human Feedback
+* Comparative Evaluation
+* Model Based Evaluation
 
 [[LZ-6-16]]
-==== LZ 6-16: Kennen bekannte LLMs und Auswahlkriterien: GPT, Claude, Gemini, Llama, Mistral, Luminous etc.
+==== LZ 6-16: Bekannte LLMs und Auswahlkriterien überblicken
+
+Die Teilnehmer:innen kennen bekannte LLMs wie beispielsweise GPT, Claude, Gemini, Llama, Mistral oder Luminous, und Auswahlkriterien für ein geeignetes LLM.
+
 
 [[LZ-6-17]]
-==== LZ 6-17: Verstehen die Bedeutung von Cost Management für GenAI Applikationen.
+==== LZ 6-17: Bedeutung von Cost Management für GenAI Applikationen verstehen
+
+Die Teilnehmer:innen verstehen die Bedeutung von Cost Management für GenAI Applikationen.
 
 [[LZ-6-18]]
-==== LZ 6-18: Kennen einige Beispiele von verbreiteten Bibliotheken, Schnittstellen und Tools im Zusammenhang mit LLM-Anwendungen: OpenAI-API, LangChain etc.
+==== LZ 6-18: Beispiele von verbreiteten Bibliotheken, Schnittstellen und Tools im Zusammenhang mit LLM-Anwendungen nennen können
+
+Die Teilnehmer:innen kennen einige Beispiele von verbreiteten Bibliotheken, Schnittstellen und Tools im Zusammenhang 
+mit LLM-Anwendungen wie beispielsweise OpenAI-API oder LangChain.
 
 [[LZ-6-19]]
-==== LZ 6-19: Kennen Agentic AI Software Architekturen, AI Agent Architekturkomponenten, Typen vom AI Agentarchitekturen.
+==== LZ 6-19: [OPTIONAL] Agentic AI Software Architekturen, AI Agent Architekturkomponenten und Typen vom AI Agentarchitekturen kennen
+
+Die Teilnehmer:innen kennen Agentic AI Software Architekturen, AI Agent Architekturkomponenten, Typen vom AI Agentarchitekturen.
 
 // end::DE[]
 
diff --git a/docs/07-module-block-7/02-learning-goals.adoc b/docs/07-module-block-7/02-learning-goals.adoc
index c1f7e5d..d6126de 100644
--- a/docs/07-module-block-7/02-learning-goals.adoc
+++ b/docs/07-module-block-7/02-learning-goals.adoc
@@ -2,10 +2,9 @@
 
 // tag::DE[]
 
-Die Teilnehmer:Innen …
 
 [[LZ-7-1]]
-==== LZ 7-1: Üben anhand von Fallstudien und Praxisprojekten, das erworbene Wissen in realen Szenarien anzuwenden.
+==== LZ 7-1: [OPTIONAL] Anhand von Fallstudien und Praxisprojekten das erworbene Wissen in realen Szenarien anwenden
 
 // end::DE[]