Seminar OpenRelik – KI-, LLM- und MCP-Integration

Das Seminar behandelt den kontrollierten Einsatz von KI- und LLM-Funktionen sowie die Einbindung von OpenRelik-Werkzeugen über das Model Context Protocol. Im Mittelpunkt stehen Datenklassifikation, Prompt- und Kontextdesign, Tool-Berechtigungen, menschliche Freigabe, Protokollierung und Qualitätsprüfung.

Inhaltsübersicht

1. Zielsetzung und Kompetenzziele
2. Zielgruppe und Voraussetzungen
3. Didaktischer Aufbau
4. Seminarinhalte mit schrittweisen Praxisaufträgen
5. Praxisübungen
6. Methodik

Zielsetzung

Das Seminar verbindet fachliche Einordnung, geführte Demonstrationen und eigenständige Arbeit am System. Jeder Themenblock führt von der Planung über die kontrollierte Ausführung bis zur Prüfung und Dokumentation. Damit entstehen nicht nur Bedienkenntnisse, sondern reproduzierbare Arbeitsweisen für den Einsatz im DFIR-Umfeld.

Kompetenzziele

• geeignete KI-Anwendungsfälle von ungeeigneten oder risikoreichen Fällen abgrenzen
• Prompt, Kontext und Ausgabeformat reproduzierbar gestalten
• MCP-Werkzeuge nach geringstmöglichen Rechten und kontrollierten Seiteneffekten einbinden
• menschliche Prüfung, Protokollierung und Qualitätsmessung in den Workflow integrieren

Zielgruppe

DFIR-Engineers, Entwickler, technische Analysten, Security Architects und Verantwortliche für KI-Governance in forensischen Umgebungen.

Voraussetzungen

Grundkenntnisse von OpenRelik-Workflows, APIs und generativen Sprachmodellen. Für die Praxis sind einfache Python- und JSON-Kenntnisse hilfreich.

Didaktischer Aufbau

Zwei Tage sind erforderlich, um neben der technischen Integration die entscheidenden Sicherheits-, Datenschutz-, Qualitäts- und Freigabekontrollen zu entwerfen und an mehreren Risikoszenarien zu testen. Die Lernabschnitte bauen aufeinander auf; nach jeder Demonstration folgt eine angeleitete Umsetzung, anschließend eine eigenständige Prüfung anhand definierter Qualitätskriterien. Fehlerbilder und Grenzfälle werden bewusst einbezogen, damit Entscheidungen im späteren Betrieb nachvollziehbar bleiben.

Seminarinhalte

Modul 1: Anwendungsfälle und Risikoklassen

KI kann Zusammenfassung, Klassifikation und Hypothesenbildung unterstützen, darf aber Evidenzprüfung nicht ersetzen.

1. Schritt 1: Anwendungsfälle nach Datenart, Auswirkung und erforderlicher Verlässlichkeit inventarisieren.
2. Schritt 2: Risiken durch Offenlegung, Halluzination, Prompt-Injection und unkontrollierte Aktion bewerten.
3. Schritt 3: Zulässigkeit, Freigabestufe und menschliche Kontrolltiefe je Klasse definieren.

Praxisauftrag: Risikobewertung eines Katalogs möglicher DFIR-KI-Anwendungen.

Modul 2: Datenklassifikation und Kontextbegrenzung

Nur erforderliche und zulässige Inhalte werden an ein Modell oder einen Tool-Prozess übergeben.

1. Schritt 1: Artefakte und Ergebnisse nach Schutzbedarf, Personenbezug und Fallkritikalität klassifizieren.
2. Schritt 2: Kontext auf relevante Ausschnitte, Metadaten und Fragestellung reduzieren.
3. Schritt 3: Redaktion, Pseudonymisierung oder Ausschlussregeln technisch und organisatorisch festlegen.

Praxisauftrag: Erstellung einer Kontextfreigabe-Matrix.

Modul 3: Prompt- und Ausgabedesign

Reproduzierbare Prompts benötigen Ziel, Grenzen, Quellenbezug und ein prüfbares Ausgabeformat.

1. Schritt 1: Aufgabe, Rolle, erlaubte Informationen und verbotene Schlussfolgerungen explizit formulieren.
2. Schritt 2: Strukturierte Ausgabe mit Evidenzverweisen, Unsicherheiten und fehlenden Angaben verlangen.
3. Schritt 3: Promptversion, Modellparameter und Kontextzusammenstellung dokumentieren.

Praxisauftrag: Vergleich und Review mehrerer Promptvarianten.

Modul 4: LLM-gestützter Workflow-Schritt

Ein LLM-Schritt wird als kontrollierte Komponente mit klaren Eingaben und nachgelagerter Prüfung modelliert.

1. Schritt 1: Eingabeobjekte und maximalen Kontextumfang festlegen.
2. Schritt 2: Output validieren, unvollständige Antworten erkennen und Fehlerzustände definieren.
3. Schritt 3: Freigabe oder Verwerfung durch einen Analysten als zwingenden Kontrollpunkt integrieren.

Praxisauftrag: Aufbau eines sicheren Zusammenfassungs- und Klassifikationsablaufs.

Modul 5: MCP-Werkzeuge und Berechtigungsgrenzen

MCP ermöglicht Tool-Aufrufe, erhöht aber das Risiko ungewollter Aktionen und Datenzugriffe.

1. Schritt 1: Benötigte Werkzeuge und zulässige Operationen minimal auswählen.
2. Schritt 2: Lese-, Schreib- und Ausführungsrechte nach Anwendungsfall trennen.
3. Schritt 3: Bestätigungspunkte, Zeitlimits und Protokollierung für Seiteneffekte definieren.

Praxisauftrag: Entwurf eines MCP-Toolprofils für eine schreibgeschützte Analyse.

Modul 6: Qualitätsprüfung und Governance

KI-Ergebnisse werden anhand definierter Kriterien und nicht anhand sprachlicher Plausibilität bewertet.

1. Schritt 1: Testdatensatz mit erwarteten Kernaussagen und Negativfällen erstellen.
2. Schritt 2: Faktentreue, Vollständigkeit, Quellenbezug und Fehlerarten messen.
3. Schritt 3: Review, Freigabe, Modellwechsel und regelmäßige Neubewertung organisatorisch verankern.

Praxisauftrag: Abnahme eines KI-Workflows mit Qualitäts- und Sicherheitscheckliste.

Praxisübungen

• Klassifikation von KI-Anwendungsfällen nach Risiko und Kontrollbedarf
• Entwicklung eines strukturierten, evidenzbezogenen Prompt- und Review-Prozesses
• Design eines eingeschränkten MCP-Toolprofils mit nachvollziehbarer Freigabe

Methodik

Kurze Fachimpulse werden unmittelbar mit Live-Demonstrationen, geführten Konfigurations- und Analyseschritten, eigenständigen Laboraufgaben sowie strukturierten Reviews verbunden. Für jede Übung werden Ausgangslage, Arbeitsschritte, erwartete Kontrollpunkte und typische Fehlerbilder festgelegt. Die verwendeten Beispiele sind so aufgebaut, dass sie als Vorlage für interne Standards, Checklisten und Testfälle weiterverwendet werden können.