Beschreibung
Lernziele
- Teilnehmer:innen können erklären, was tatsächlich hinter dem Begriff KI steckt.
- Teilnehmer:innen können eigene KI-Vorhaben planen und durchführen.
- Teilnehmer:innen können beurteilen, ob KI-Methoden zur Lösung von konkreten Problemstellungen geeignet sind.
- Teilnehmer:innen haben ein grundlegendes Verständnis für die Hardwareanforderungen bei KI-Vorhaben.
- Teilnehmer:innen kennen unterschiedliche Software-Frameworks zur Umsetzung von KI-Methoden und können diese methodisch vergleichen.
- Teilnehmer:innen kennen Anforderungen und Fallstricke in Zusammenhang mit Trainingsdaten für KI-Vorhaben.
- Teilnehmer:innen können Trainingsdaten für eigene KI-Vorhaben beurteilen.
- Teilnehmer:innen kennen relevante regulatorische Fragestellungen im Umgang mit KI.
- Teilnehmer:innen kennen den Ansatz der „Explainable KI”.
- Teilnehmer:innen kennen relevante Fragestellungen in Bezug auf Datenschutz und KI.
- Teilnehmer:innen kennen Ansätze, über die das Vertrauen von Mitarbeiter in KI frühzeitig gesteigert werden kann.
- Teilnehmer:innen wissen, welche Expertise für die Entwicklung und den Einsatz von KI notwendig ist.
Kursaufbau
Welche Ideen/Problemstellungen eignen sich (nicht) für KI
- Was ist überhaupt KI?
- Begriffe im Umfeld von KI
- Welche Voraussetzungen müssen Problemstellungen erfüllen, damit sie durch KI gelöst werden können?
- Szenarien, die für KI geeignet sind
- Szenarien, die für KI nicht geeignet sind
- Beispiele von KI-Anwendungen
Die passende Hardware finden
- Prozessoren für Anwendungen im Bereich des maschinellen Lernens
- Benötigte Hardware für maschinelles Lernen
Softwareplattformen für maschinelles Lernen
- Metriken zum Vergleich von ML-Frameworks
- Vergleich unterschiedlicher ML-Softwareframeworks
Testdaten für ML Vorhaben
- Allgemeine Hinweise
- Underfitting & Overfitting
Anwender mitnehmen
- Vertrauen in die KI
- Umgang mit Daten
Regulatorische Aspekte
- Regulatorik
- Technische Herausforderungen & Möglichkeiten
- Aktivitäten in den Bereichen: Normen, Standards, Gesetze