Beschreibung
Künstliche Intelligenz wird gelegentlich als die silberne Kugel für alle Probleme und Herausforderungen in Zusammenhang mit der Digitalisierung dargestellt. Tatsächlich steckt hinter dem KI-Begriff eine ganze Reihe von Technologien, Methoden und Konzepten, welche als Werkzeuge für ganz bestimmte Anwendungsfälle geeignet sind. Wir wollen in diesem Kurs den Begriff der KI entmystifizieren und aufzeigen, was KI heutzutage tatsächlich kann beziehungsweise wo auch hier die Grenzen liegen. Hierbei werden wir alle notwendigen Schritte zur Durchführung von KI-Vorhaben benennen und anhand von Praxis-nahen Beispielen erklären.
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