Aktuelles des ZfKI

Referent: Prof. Dr. Jörn Loviscach, Hochschule Bielefeld (HSBI)

Verstanden, hier ist eine überarbeitete Version: In einer Welt, in der KI als vielseitiges Wundertool gefeiert (und ebenso skeptisch beäugt) wird, werfen wir einen praxisnahen und kritischen Blick darauf, wie künstliche Intelligenz das Lernen und Lehren neu gestaltet und welche realen Chancen sie tatsächlich bietet. Was kann KI wirklich für die Hochschulmathematik leisten – und wo liegen ihre Grenzen? Dieser Vortrag lud dazu ein, bestehende Ansätze zu hinterfragen und neue Denkanstöße zu entwickeln. Ein Aufruf, das Potenzial der KI zu nutzen und die Zukunft der Lehre aktiv mitzugestalten.

Wolfgang H. Schulz
Professor at the Zeppelin University and Director of the Center for Mobility Studies

Join us as we explore how Artificial Intelligence is set to revolutionize Germany’s automotive industry, sparking a renaissance in vehicle design, safety, and cost-efficiency. From ancient visions of intelligent navigation to today’s transformative AI-driven capabilities, this presentation unveils how AI’s creative disruption can meet the evolving demands of consumers. We’ll also tackle the pressing need for Europe’s AI-ready infrastructure, highlighting the pivotal role of initiatives like GAIA-X-Future4Mobility in ensuring the industry's competitive edge. Don’t miss this forward-looking discussion on the economic hopes AI holds for the future of German Automotive Industries.

Zur Person:

Wolfgang H. Schulz, who completed his habilitation in 2004 at the University of Cologne, has led the Center for Mobility Studies at Zeppelin University since 2014. As the founder of the Theory of Institutional Role Models, he enables industries to respond swiftly to the challenges of disruption by AI through cooperative organizational change.

Androide Roboter – eine faszinierende Spezies unter den humanoiden Robotern – sind das Ergebnis innovativer Technik und kreativen Denkens. Weltweit gibt es nur einige wenige Unternehmen, die sich auf die Entwicklung dieser außergewöhnlichen Maschinen spezialisiert haben. An der Hochschule der Medien Stuttgart wird seit Oktober 2022 der androide Roboter Andrea aus Japan sowie fünf beeindruckende Roboterköpfe programmiert, um eine autonome und möglichst natürliche Interaktion mit Menschen zu ermöglichen.

In einem spannenden Vortrag erklärte Prof. Dr. Becker-Asano, welche technischen Herausforderungen dabei überwunden werden müssen und welche faszinierenden Einsatzgebiete diese Technologie eröffnet.

Referent: Prof. Dr. Dirk Reichardt

Sie möchte mal reinschauen in die Möglichkeiten des Maschinellen Lernens? In einem kurzen, praktischen Hands-on-Workshop lernten die Teilnehmenden, wie ein Neuronales Netz - die Basis der aktuellen Lernverfahren - funktioniert und konnten es auch gleich auf einem KI Server ausprobieren. Grundkenntnisse der Programmierung waren hilfreich, aber es wurde auch unterstützt und man konnte auch teilnehmen, ohne Python Profi zu sein.

Zum Referenten:

Prof. Dr. Dirk Reichardt ist Studiendekan des Studienzentrums Informatik, Wissenschaftlicher Leiter des Masterprogramms Informatik und Wissenschaftlicher Leiter des Zentrums für Künstliche  Intelligenz an der DHBW Stuttgart (ZfKI)

Referent: Felix Hoppe, Leiter der Research/KI Abteilung bei Matchory

Large Language Models (LLMs) wie ChatGPT haben den Umgang mit Informationen neu erfunden. Sie ermöglichen nicht nur eine intuitive Interaktion zwischen Mensch und Maschine, sondern können auch logische Zusammenhänge in großen Datenmengen erkennen und nutzen. In diesem praxisorientierten Vortrag wurde gezeigt, wie LLMs bei Matchory eingesetzt werden, um eine globale Unternehmensdatenbank aufzubauen und eine intelligente Suchmaschine zu ermöglichen. Dabei warfen wir einen Blick darauf, wie neuste Entwicklungen es möglich machen, Milliarden von Datenpunkten aus dem Internet zu strukturieren, diese logisch miteinander zu verknüpfen und welche innovativen Technologien die Grundlage dafür bilden.

Zur Person:

Felix Hoppe trat nach seinem Studium an der Goethe Universität Frankfurt mehreren Startups bei. Aktuell leitet er die Research/KI Abteilung bei Matchory - einem Startup, das mit Hilfe von KI und Algorithmen Unternehmen ermöglicht, weltweit passende Lieferanten in Sekunden zu finden.

Referent: Prof. Dr. Thomas Kessel

MLOps (Machine Learning Operations) ist ein Ansatz, der Praktiken aus DevOps mit den spezifischen Anforderungen des maschinellen Lernens kombiniert. Ziel ist es, den gesamten Lebenszyklus von Machine-Learning-Modellen effizient zu gestalten, einschließlich Entwicklung, Bereitstellung, Überwachung und Wartung. Durch MLOps können Unternehmen Modelle schneller in Produktion bringen und deren Qualität kontinuierlich verbessern, was die Skalierbarkeit und Zuverlässigkeit von ML-Anwendungen erhöht. Dabei stehen Automatisierung, Zusammenarbeit zwischen Data Scientists und IT- Teams sowie kontinuierliche Integration und Bereitstellung im Mittelpunkt.

Zum Referenten:

Prof. Dr. Thomas Kessel ist Studiengangsleiter, Wissenschaftlicher Leiter im Master Wirtschaftsinformatik und Wissenschaftlicher Leiter des Zentrums für KI (ZfKI) an der DHBW Stuttgart.

Lernziele: 

• Lösung einfacher Klassifikations- und Regressionsprobleme mit MLPRegressor, MLPClassifier und TensorFlow
• Einführung in TensorFlow
• Gütekriterien (auch Vergleich mit bereits behandelten ML Algorithmen) 

Kurzbeschreibung: 

Mit zunehmender Rechenleistung wird die Anwendung von neuronalen Netzen immer lukrativer. 
In diesem Kurzseminar wurde ein Einstieg in die Nutzung von mehrschichtigen neuronalen Netzen (MLP) und TensorFlow vermittelt. 
Des weiteren wurde gezeigt, wie man die Leistungsfähigkeit dieser neuronalen Netze mit anderen ML Algorithmen vergleichen kann. 

Im Anschluss bestand die Möglichkeit einer Teilnahme an einer Fragenlektion. 

Praktische Kenntnisse konnten in den betreuten Übungen vertieft werden. 

Vorkenntnisse: 

Grundkenntnisse in Python und Machine Learning 

Hard- und Softwarevoraussetzungen: 

Die Codebeispiele wurden auf einem I-Core i7 8. Generation Laptop mit 32 GB Ram und einer Nvidia Quadro P1000 Grafikkarte getestet. Weitere Installationshilfen sind in den Seminarfolien beschrieben. 

Lernziele: 

Verständnis für CNN, AutoEncoder und GAN 

Lösung einfacher Aufgaben in der Bilderkennung und Bildgenerierung 

Gütekriterien 

Kurzbeschreibung: 

Bilderkennung ist der heutigen Zeit unabkömmlich und eine wichtige Basis für Anwendungen in der Industrie, Robotik, Medizin und vielen anderen Fachdisziplinen. 
In diesem Kurzseminar wurde Quellcode demonstriert, um Zahlen aus dem MNIST Datensatz erkennen zu können und verschiedene CNNs miteinander verglichen. 

Daraufhin wurde gezeigt, wie mit einem AutoEncoder und Generative Adversial Networks Bilder produziert werden können, die dem MNIST Datensatz ähnlich sind. 

Im Anschluss bestand die Möglichkeit einer Teilnahme an einer Fragenlektion. 

Praktische Kenntnisse konnten in den betreuten Übungen vertieft werden. 

Vorkenntnisse: 

Grundkenntnisse in Python und Machine Learning 

Hard- und Softwarevoraussetzungen: 

Die Codebeispiele wurden auf einem I-Core i7 8. Generation Laptop mit 32 GB Ram und einer Nvidia Quadro P1000 Grafikkarte getestet. Weitere Installationshilfen sind in den Seminarfolien 
beschrieben. 

Lernziele: 

• Grundlegendes Verständnis für Reinforcement Learning
• Simulationen in OpenAI Gym
• Grundlegende Kenntnisse in multimodales Lernen
• Lokales anwenden des Stable Diffusion Algorithmus mit TensorFlow
• Nutzung eines Bildsprachmodells mit OpenFlamingo 

Kurzbeschreibung: 

Reinforcement Learning ist die Basis für eine Vielzahl von Anwendungen in der Robotik und anderen Fachdisziplinen. 
In dem Kurzseminar wurden Quellcodes zum Actor Critic und Q Learning vorgestellt und Simulationen in Gym durchgeführt. 

Als Vorbereitung zum GPT Seminar erfolgte eine Einführung in Transformer und multimodales Lernen. Hierzu bietet sich insbesondere der von Erfolg geprägte Stable Diffusion Algorithmus (Text-to-Image) 
an, der auch in TensorFlow implementiert wurde. 

Nachdem gezeigt wurde, wie lokal Bilder mit einem Prompt generiert werden, wurde OpenFlamingo (Image-to-Text) vorgestellt. Dieses OpenSource Projekt nutzt ein visuelles Bildsprachmodell, um eine Vielzahl von Objekten in Bildern erkennen zu können. 

Im Anschluss bestand die Möglichkeit einer Teilnahme an einer Fragenlektion. 

Praktische Kenntnisse können in den betreuten Übungen vertieft werden. 

Vorkenntnisse: 

Grundkenntnisse in Python und Machine Learning 

Hard- und Softwarevoraussetzungen: 

Die Codebeispiele wurden auf einem I-Core i7 8. Generation Laptop mit 32 GB Ram und einer Nvidia Quadro P1000 Grafikkarte getestet. Weitere Installationshilfen sind in den Seminarfolien 
beschrieben.

Lernziele: 

• Grundlegendes Verständnis für Recurrent Neural Networks
• Zeitserien basierte Wertvorhersagen und Textgenerierung mit RNNs
• Grundlegendes Verständnis zu generative pretrained Transformers
• Nutzung von APIs zur Textgenerierung und ChatBot Entwicklung 

Kurzbeschreibung: 

Recurrent Neural Networks bieten eine Basis für eine Vielzahl von Anwendungen, die auf der Verarbeitung von sequentiellen Daten basieren, z. B. auf Zeitserien-Vorhersagen oder Vorhersagen der nächsten Wörter in einem Text. Basierend auf diesem Prinzip können z. B. NLP Anwendungen zur Textgenerierung entwickelt werden, und andere Einsatzfelder sind denkbar. 

In dem Kurzseminar wurde gezeigt, wie man ein RNN, das in Google-Colab trainiert wurde, für die Genierung von Goethe-Texten nutzt. Der Einsatz von T5 Transformern wurde besprochen, um genrierte Texte zu verbessern oder andere Tasks auszuführen. DarauĬin wurde gezeigt, wie man mit einem lokal betriebenen ChatGPT Goethe-Texte generieren kann. Zum Abschluss wurde die Nutzung eines OpenSoucre ChatGPT basierten ChatBots von Microsoft demonstriert. 

Im Anschluss bestand die Möglichkeit einer Teilnahme an einer Fragenlektion. 
Praktische Kenntnisse konnten in den betreuten Übungen vertieft werden. 

Vorkenntnisse: 

Grundkenntnisse in Python und Machine Learning 

Hard- und Softwarevoraussetzungen: 

Die Codebeispiele wurden auf einem I-Core i7 8. Generation Laptop mit 32 GB Ram und einer Nvidia Quadro P1000 Grafikkarte getestet. Weitere Installationshilfen sind in den Seminarfolien 
beschrieben. 

Lernziele: 

• Entwicklung einer Internetanbindung für eine Python ML Anwendung mit Flask
• Einbettung einer Pynthon ML Anwendung in einen REST Service
• Einführung in MLFlow
• Konzepte von Kubernetes und Docker
• Einführung in MLOps 

Kurzbeschreibung: 

Für eine Vielzahl von ML Anwendungen ist die Anbindung an das Internet unabkömmlich. In dem Kurzseminar wurde gezeigt, wie mit geringen Aufwänden ein Flask und ein REST Service erzeugt werden kann, in welchen einfache Anwendungen eingebettet sind. Es wurde auch auf komplexere Architekturen eingegangen. Der Workflow von MLFlow wurde anhand einer Anwendung gezeigt, die mit verschiedenen Parametern gestartet wird, die Einfluss auf Experimente haben, die unkompliziert evaluiert werden können. Daraufhin erfolgte eine Einführung in die Kernkonzepte von DevOps und MLOps. Im Anschluss bestand die Möglichkeit einer Teilnahme an einer Fragenlektion. Praktische Kenntnisse konnten in den betreuten Übungen vertieft werden. 

Vorkenntnisse: 

Grundkenntnisse in Python und Machine Learning 

Hard- und Softwarevoraussetzungen: 

Die Codebeispiele wurden auf einem I-Core i7 8. Generation Laptop mit 32 GB Ram und einer Nvidia Quadro P1000 Grafikkarte getestet. Weitere Installationshilfen sind in den Seminarfolien 
beschrieben. 

• Anwendung der linearen Regression auf generierte Daten sowie auf ein einfaches Praxisbeispiel.
• Explorative Datenanalyse und Diskussion der Werte.
• Erklärung der linearen Regression.
• Einführung in Scikit-Learn, NumPy, Matplotlib und Pandas.

Zum Abschluss des Kurzseminars bestand die Teilnahmemöglichkeit an einem Quiz. Darüber hinaus wurde die Vertiefung der Kenntnisse in den betreuten Übungen angeboten.

Lernziele: Verarbeitung einfacher Tabellendaten, Anwenden der linearen Regression

Zielgruppe: Einsteiger in Machine Learning und DataScience, mit grundlegenden Kenntnisse in Python Programmierung.

Dauer: bis zu 2h; ggf. weitere Bearbeitung von Aufgabenstellungen von zu Hause aus; Möglichkeiten zur Unterstützung per E-Mail.

Format: Online Schulung via Zoom; Bereitstellung von Schulungsunterlagen über Moodle.

Hard- und Softwarevoraussetzungen: Die Beispiele wurden auf einem I Core 7 – 8. Generation mit 32 GB Ram und einer Nvidia Quadro P1000 getestet. Als Softwareumgebung kam Anaconda 3 mit Python 3.11.5 zum Einsatz.

Bei Bedarf konnte zum Lösen der Aufgaben eine Online Arbeitsumgebung genutzt werden. 

Erklärung der logistischen Regression, Präsentationen von Codebeispielen und Praxisbeispielen zur Klassifizierung von Pinguinen mit einem ML Algorithmus aus der logistischen Regression. Evaluieren mit Gütekriterien.

Einführung in Scikit-Learn, NumPy, Matplotlib, Pandas und Seaborn.

Zum Abschluss des Kurzseminars bestand die Teilnahmemöglichkeit an einem Quiz. Darüber hinaus wurde die Vertiefung der Kenntnisse in den betreuten Übungen angeboten.

Lernziele: Verarbeitung einfacher tabellarischer Daten, Anwenden der logistischen Regression.

Zielgruppe: Einsteiger in Machine Learning und Data Science, grundlegende Kenntnisse in Python Programmierung.

Dauer: bis zu 2h; ggf. weitere Bearbeitung von Aufgabenstellungen von zu Hause aus; Möglichkeiten zur Unterstützung per E-Mail.

Format: Online Schulung via Zoom; Bereitstellung von Schulungsunterlagen über Moodle.

Hard- und Softwarevoraussetzungen: Die Beispiele wurden auf einem I Core 7 – 8. Generation mit 32 GB Ram und einer Nvidia Quadro P1000 getestet. Als Softwareumgebung kam Anaconda 3 mit Python 3.11.5 zum Einsatz.

Bei Bedarf konnte zum Lösen der Aufgaben eine Online Arbeitsumgebung genutzt werden. 

Erklärung des Prinzips der Algorithmen Entscheidungsbaum und Zufallswald. Vorhersage von Einkaufsverhalten mit DecisonTree und RandomForest auf Basis von synthetisch generierten Daten; Gütekriterien und Kreuzvalidierung.

Einführung in Scikit-Learn, NumPy, Matplotlib, Pandas und Graphviz.

Zum Abschluss des Kurzseminars bestand die Teilnahmemöglichkeit an einem Quiz. Darüber hinaus wurde die Vertiefung der Kenntnisse in den betreuten Übungen angeboten.

Lernziele: Generieren und verarbeiten von synthetischen Daten, Anwenden der ML Algorithmen, Evaluation der Modelle.

Zielgruppe: Einsteiger in Machine Learning und DataScience, grundlegende Kenntnisse in Python Programmierung.

Dauer: bis zu 2h; ggf. weitere Bearbeitung von Aufgabenstellungen von zu Hause aus; Möglichkeiten zur Unterstützung per E-Mail.

Format: Online Schulung via Zoom; Bereitstellung von Schulungsunterlagen über Moodle.

Hard- und Softwarevoraussetzungen: Die Beispiele wurden auf einem I Core 7 – 8. Generation mit 32 GB Ram und einer Nvidia Quadro P1000 getestet. Als Softwareumgebung kam Anaconda 3 mit Python 3.11.5 zum Einsatz. Vorherige Installation der aktuellen Version von graphviz Software war erforderlich.

Bei Bedarf konnte zum Lösen der Aufgaben eine Online Arbeitsumgebung genutzt werden. 

Erklärung des Prinzips des Support Vector Machine Learning Algorithmus, Kernelfunktionen, Codebeispiele, Hyperparameteroptimierung, visuelle Vergleichsmöglichkeiten.

Einführung in Scikit-Learn, NumPy, Matplotlib und Pandas.

Zum Abschluss des Kurzseminars bestand die Teilnahmemöglichkeit an einem Quiz. Darüber hinaus wurde die Vertiefung der Kenntnisse in den betreuten Übungen angeboten.

Lernziele: Generieren und verarbeiten von synthetischen Daten, Anwenden der ML Algorithmen, Evaluation der Modelle, Visualisierung, Optimierungsverfahren.

Zielgruppe: Einsteiger in Machine Learning und DataScience, grundlegende Kenntnisse in Python Programmierung.

Dauer: bis zu 2h; ggf. weitere Bearbeitung von Aufgabenstellungen von zu Hause aus; Möglichkeiten zur Unterstützung per E-Mail.

Format: Online Schulung via Zoom; Bereitstellung von Schulungsunterlagen über Moodle.

Hard- und Softwarevoraussetzungen: Die Beispiele wurden auf einem I Core 7 – 8. Generation mit 32 GB Ram und einer Nvidia Quadro P1000 getestet. Als Softwareumgebung kam Anaconda 3 mit Python 3.11.5 zum Einsatz.

Bei Bedarf konnte zum Lösen der Aufgaben eine Online Arbeitsumgebung genutzt werden. 

Erklärung des Prinzips der Algorithmen K-Means Clustering und K-Nearest neighbors. Präsentation von Code- und Praxisbeispielen und Principal Component Analysis (PCA). Einführung in Scikit-Learn, NumPy, Matplotlib und Pandas.

Zum Abschluss des Kurzseminars bestand die Teilnahmemöglichkeit an einem Quiz. Darüber hinaus wurde die Vertiefung der Kenntnisse in den betreuten Übungen angeboten.

Lernziele: Generieren und verarbeiten von Praxisdaten, Anwenden der ML Algorithmen, Evaluation der Modelle, Visualisierung.

Zielgruppe: Einsteiger in Machine Learning und DataScience, grundlegende Kenntnisse in Python Programmierung.

Dauer: bis zu 2h; ggf. weitere Bearbeitung von Aufgabenstellungen von zu Hause aus; Möglichkeiten zur Unterstützung per E-Mail.

Format: Online Schulung via Zoom; Bereitstellung von Schulungsunterlagen über Moodle.

Hard- und Softwarevoraussetzungen: Die Beispiele wurden auf einem I Core 7 – 8. Generation mit 32 GB Ram und einer Nvidia Quadro P1000 getestet. Als Softwareumgebung kam Anaconda 3 mit Python 3.11.5 zum Einsatz.

Bei Bedarf konnte zum Lösen der Aufgaben eine Online Arbeitsumgebung genutzt werden. 

Niclas Renner, wissenschaftlicher Mitarbeiter im Bereich Digital Business und Maximilien Kintz, Teamleiter Angewandte KI am Fraunhofer IAO

Niclas Renner, wissenschaftlicher Mitarbeiter im Bereich Digital Business und Maximilien Kintz, Teamleiter Angewandte KI am Fraunhofer IAO, stellten aktuelle Entwicklungen bei den Anwendungen von KI und Generativer KI im Unternehmen vor. Schwerpunktthemen waren u.a. die Absicherung von KI und den EU AI Act, sowie Potenziale und Handlungsempfehlungen für den Einsatz von Generativer KI im Unternehmen, z.B. für die Analyse von Textdokumenten. Im Vortrag wurden Erkenntnisse aus aktuellen Fraunhofer IAO-Projekten und konkrete Beispiele aufgezeigt.
 

Tarek Besold - Experte für Künstliche Intelligenz und Cognitive Science

Was ist Responsible AI? Im Rahmen des KI Frühlings erlaubte der Vortrag von Tarek Besold einen Blick hinter die Kulissen der Entwicklung von KI-basierten Systemen, die nicht nur Probleme lösen, sondern auch einen vertrauenswürdigen Umgang mit Daten, Zuverlässigkeit und Erklärbarkeit der Ergebnisse garantieren. 

Zum Speaker:
Tarek R. Besold ist Experte für Künstliche Intelligenz und Cognitive Science. Vor seiner Tätigkeit bei Sony AI war er in verschiedenen Branchen und in der akademischen Welt tätig, unter anderem als Leiter für Strategische KI bei DEKRA DIGITAL, CTO bei Neurocat, Chief Science Officer bei Telefonica Alpha Health und als Assistenzprofessor für Datenwissenschaft an der City, University of London.

Adam Pease

Associate Professor of Computer Science at the Naval Postgraduate School in Monterey, CA, USA

Big data is a foundation of modern AI.  But relatively little attention is given to the meta-data - what is the intended meaning of that data? Ontology, especially using an expressive logic and a large reusable library of terms and definitions makes it possible and practical to capture the intended meaning of data elements, ensure they are consistent, and provide a way to ground the outputs and inputs to AI/ML systems so that people can interpret their results correctly. The same technology can provide a cross-check AI/ML outputs to ensure they are consistent with metadata, providing a way that may trap some hallucinations.  

This talk discussed the SUMO library of terms and its supporting higher-order logical language, as well as its use with automated theorem provers to provide data validation.

Zur Person:

Adam Pease is Associate Professor of Computer Science at the Naval Postgraduate School in Monterey, CA, USA.  He is also the Founder of Articulate Software, which builds and advises on applications using ontology and natural language processing.  He has led research in ontology, linguistics, and formal inference, including development of the Suggested Upper Merged Ontology (SUMO), and the Sigma knowledge engineering environment.  He is the author of the book “Ontology: A Practical Guide” and over 80 peer-reviewed papers.  

See https://www.adampease.org

Der Einstieg in das Maschinelle Lernen: die Lineare Regression. Der Workshop behandelt die Anwendung der linearen Regression auf generierte Daten sowie auf ein einfaches Praxisbeispiel. Eine explorative Datenanalyse und Diskussion der Werte wird durchgenommen und die lineare Regression erklärt.

Lernziele: Verarbeitung einfacher Tabellendaten, Anwenden der linearen Regression

Zielgruppe: Einsteiger in Machine Learning und Data Science, mit grundlegenden Kenntnissen in Python Programmierung.

Hard- und Softwarevoraussetzungen: Eigener Rechner mit ausreichender Leistung und installierter Software Umgebung (empfohlen Anaconda 3 / Jupyter Notebook)

Die Logistische Regression ist eine spezielle Form der Regressionsanalyse – und oft ein guter Einstieg in komplexere Lernverfahren zur Klassifikation – und für viele Anwendungen technisch völlig ausreichend. Der Workshop führt diese Technik am Praxisbeispiel ein und diskutiert Gütekriterien.

Lernziele: Verarbeitung einfacher Tabellendaten, Anwenden der logistischen Regression.

Zielgruppe: Einsteiger in Machine Learning und Data Science, grundlegende Kenntnisse in Python Programmierung.

Hard- und Softwarevoraussetzungen: Eigener Rechner mit ausreichender Leistung und installierter Software Umgebung (empfohlen Anaconda 3 / Jupyter Notebook)

Hinweis zur Organisation: Die Veranstaltung wird mit dem Online-Konferenztool „Zoom“ durchgeführt. Zur Teilnahme sind weder Download noch Registrierung nötig. Es genügt ein aktueller Webbrowser.

Der Zugangslink wird rechtzeitig zur Verfügung gestellt.

Maschinelles Lernen von Entscheidungsbäumen stellt eine Methode dar, die im Gegensatz zu Neuronalen Netzen nachvollziehbare und erklärbare Modelle generiert.

Der Workshop führt in diese Techniken ein und es wird am Beispiel eine Vorhersage von Einkaufsverhalten mit Decision Trees und Random Forests auf Basis von synthetisch generierten Daten erarbeitet.

Lernziele: Generieren und verarbeiten von synthetischen Daten, Anwenden der ML Algorithmen, Evaluation der Modelle.

Zielgruppe: Einsteiger in Machine Learning und Data Science, grundlegende Kenntnisse in Python Programmierung.

Hard- und Softwarevoraussetzungen: Eigener Rechner mit ausreichender Leistung und installierter Software Umgebung (empfohlen Anaconda 3 / Jupyter Notebook)

Hinweis zur Organisation: Die Veranstaltung wird mit dem Online-Konferenztool „Zoom“ durchgeführt. Zur Teilnahme sind weder Download noch Registrierung nötig. Es genügt ein aktueller Webbrowser.

Der Zugangslink wird rechtzeitig zur Verfügung gestellt.

Ein verbreitetes klassisches Verfahren des Maschinellen Lernens stellen „Support Vector Machines“ (SVM) dar. Das Verfahren ist speichereffizient und eignet sich besonders gut für weniger komplexe Aufgaben mit kleineren, wenig verrauschten Daten. Der Workshop stellt dieses Verfahren vor, zeigt das Konzept der Kernelfunkion, diskutiert Codebeispiele und Hyperparameteroptimierung und führt weitere Gütekriterien ein.

Lernziele: Generieren und verarbeiten von synthetischen Daten, Anwenden der ML Algorithmen, Evaluation der Modelle, Visualisierung, Optimierungsverfahren.

Zielgruppe: Einsteiger in Machine Learning und Data Science, grundlegende Kenntnisse in Python Programmierung.

Hard- und Softwarevoraussetzungen: Eigener Rechner mit ausreichender Leistung und installierter Software Umgebung (empfohlen Anaconda 3 / Jupyter Notebook)

Hinweis zur Organisation: Die Veranstaltung wird mit dem Online-Konferenztool „Zoom“ durchgeführt. Zur Teilnahme sind weder Download noch Registrierung nötig. Es genügt ein aktueller Webbrowser.

Der Zugangslink wird rechtzeitig zur Verfügung gestellt.

Während sich Gem 1-4 mit Supervised Learning befassen, stellt dieser Workshop neben einem weiteren, einfachen Verfahren aus dieser Klasse auch Methoden des Unsupervised Learnings vor. Code und Praxisbeispiele werden zu den Verfahren K-Means (ein Clusteringverfahren / unsupervised) und K-nearest-neighbors (KNN) vorgestellt.

Lernziele: Generieren und verarbeiten von Praxisdaten, Anwenden der ML Algorithmen, Evaluation der Modelle, Visualisierung.

Zielgruppe: Einsteiger in Machine Learning und Data Science, grundlegende Kenntnisse in Python Programmierung.

Hard- und Softwarevoraussetzungen: Eigener Rechner mit ausreichender Leistung und installierter Software Umgebung (empfohlen Anaconda 3 / Jupyter Notebook)

Hinweis zur Organisation: Die Veranstaltung wird mit dem Online-Konferenztool „Zoom“ durchgeführt. Zur Teilnahme sind weder Download noch Registrierung nötig. Es genügt ein aktueller Webbrowser.

Der Zugangslink wird rechtzeitig zur Verfügung gestellt.

Prof. Dr. Matthias Drüppel / Prof. Dr. Janko Dietzsch
ZfKI der DHBW Stuttgart

KI ist gekommen, um zu bleiben. Und das heißt, dass sich Unternehmen fragen müssen OB, WO und WIE sie von dieser neuen Technologie profitieren können, um nicht eine der größten technologischen Veränderungen des 21. Jahrhunderts zu verschlafen. Bei einer so rasanten Technologieentwicklung ist es aus Unternehmenssicht schwer, den Überblick zu behalten: sowohl beim Technologie-Verständnis als auch beim Erkennen möglicher Potentiale.

In diesem Workshop wollen wir einen Querschnitt über wichtige Anwendungsfelder von künstlicher Intelligenz geben. Hierbei möchten wir sowohl Anwendungen als auch Technologie (be-)greifbar machen – auch für diejenigen, die noch nicht tief in die Technik eintauchen konnten!

Zielgruppe: Executives – die Entscheider in Unternehmen, die KI zielgerichtet einsetzen wollen

Achtung: Die Veranstaltung findet hybrid statt (Teilnahme in Präsenz und online möglich)

Dr. rer. nat. Christian Tutschku
Fraunhofer IAO / Head of Team Quantum Computing

Applying (quantum) machine learning techniques to industrial use cases conventionally already represents a relevant- and on the quantum-side defines a highly promising approach towards beating classical computing schemes for a large set of use cases.

However, finding experts in both, quantum computing as well as machine learning is notoriously difficult nowadays. As a direct consequence, this hinders the application of state-of-the-art (quantum) machine learning algorithms for industrial use cases, especially for small and medium-sized enterprises (SMEs).

Within the joint research project AutoQML we are developing a cloud-based solution enabling the automatic use of (Q)ML-algorithms without a fundamental understanding of neither quantum nor conventional machine learning techniques. This talk will introduce our approach, which enables customers to take advantage of suitable (quantum) machine learning algorithms without optimizing the associated hyperparameters manually.

Please note: The expert talk is a hybrid event (on site and online participation possible).

In den Unternehmen ist klar angekommen, dass ihr wirtschaftlicher Erfolg und ihre Wettbewerbsstärke in hohem Maße von Daten beeinflusst wird. Daten stellen einen strategischen Unternehmenswert dar. Um jedoch Vorteile daraus generieren zu können, sind Datenanalysen nötig, die aus den Daten Informationen und letztendlich wertvolles Wissen generieren. Hier stoßen Unternehmen häufig insbesondere bei unstrukturierten Daten (z.B. Texte) auf große Herausforderungen. Und dennoch sind es gerade diese unstrukturierten Daten, die sehr viele, wertvolle Informationen in sich bergen. Im Rahmen des Vortrags soll anhand eines konkreten User Cases praxisnah dargestellt werden, wie mit Hilfe der LDA-Analyse aus unstrukturierten Daten automatisch Topics erkannt werden können.

Zielgruppe: Anwender im Unternehmen, Betriebswirte, Marketing

Achtung: Die Veranstaltung findet hybrid statt (Teilnahme in Präsenz und online möglich).

Wissen ist Macht - diese Aussage ist zeitlos.
Durch KI eröffnen sich neue Chancen für Unternehmen relevantes Wissen über ihr Zielmärkte, ihre Wettbewerber und ihre Kunden zu erfahren und es nutzbar zu
machen. 

• Welcher Hersteller liefert Gepäckförderbänder für den geplanten Flughafen in Brasilien?
• Welchen Ansprechpartner muss ich kontaktieren, um meine Antriebe für die Förderbänder frühzeitig für das Projekt anzubieten?
• Stehen meine Wettbewerber bereits mit den Verantwortlichen in Kontakt?

In diesem Workshop möchten wir Ihnen anhand realer Use Cases aus dem Maschinenbau das Potenzial von KI in einer Live-Demo zeigen.

Zielgruppe: Vertriebsmanager im Maschinenbau, Data Master Manager, Mitarbeitende in Marketing-, Marktforschungs- und Digitalisierungsabteilungen
Veranstaltungsort: DHBW Stuttgart, Fakultät Technik, Lerchenstr. 1, 70174 Stuttgart

Das Netzwerk des KI Bundesverbands verbindet die innovativsten KI- und Deep-Tech-Unternehmen mit der etablierten Wirtschaft und Politik. Mehr als 400 KI-Unternehmen sind in dem Netzwerk verbunden: KMU, Startups, Expertinnen und Experten mit Erfahrung in der Anwendung von KI. Das Netzwerk, dem inzwischen auch die DHBW über das ZfKI angehört, stellt sich am 12.12.2023 um 17 Uhr vor.

Zielgruppe: Unternehmen und interessierte Hochschulmitglieder

Hinweis zur Organisation: Die Veranstaltung wird mit dem Online-Konferenztool „Zoom“ durchgeführt. Zur Teilnahme sind weder Download noch Registrierung nötig. Es genügt ein aktueller Webbrowser.

Der Zugangslink wird rechtzeitig zur Verfügung gestellt.