Aktuelles des ZfKI
Der ZfKI Newsletter - wir informieren Sie über Aktuelles und Veranstaltungen im ZfKI.
AI GEMs – Hands-On Workshops zu aktuellen KI Methoden
Das Zentrum für Künstliche Intelligenz (ZfKI) bot im Rahmen des KISMi Projekts (Künstliche Intelligenz Supportplattform Mittelstand) zwischen Juni und September 2024 die “AI GEMS” als Hands-on Workshopreihe an. Hier wurden in kurzen online Veranstaltungen die Methoden der KI nähergebracht, sodass man einen ersten Schritt in die Anwendung machen konnte.
Als eines der landesweit eingerichteten und geförderten regionalen KI Labs boten wir in separat beworbenen Veranstaltungen zudem:
- Expertenvorträge zu ausgewählten aktuellen Themen (Expert Talks),
- Einblicke in die Möglichkeiten der KI für Entscheider (Executive Insights) und
- eine Diskussionsplattform für Einsatzszenarien und Lösungsansätze in Unternehmen (Use Case Discussion).
Die Veranstaltungen wurden mit dem Online-Konferenztool „Zoom“ durchgeführt.
Alle Veranstaltungen wurden im Rahmen des KISMi Projekts angeboten. Das Projekt wird als regionales KI-Lab gefördert durch das Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg im Rahmen der Initiative Wirtschaft 4.0 Baden-Württemberg (IW4.0).
Übersicht der durchgeführten Veranstaltungen der AI Gems im Sommer 2024
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.
DHBW und GUC kooperieren im Bereich KI und Virtual Reality
Seit 16 Jahren besteht eine erfolgreiche Kooperation zwischen der DHBW Stuttgart und der German University Cairo (GUC). Jedes Jahr kommen Studierende der GUC nach Stuttgart, um ihre Bachelorarbeit durchzuführen. In diesem Jahr begrüßte das Zentrum für Künstliche Intelligenz (ZfKI) der DHBW die beiden GUC-Studierenden Ali Hussein und Ahmed Elghoneimy. Beide arbeiteten im IILAB (Intelligent Interaction Lab) intensiv an Projekten im Bereich Künstliche Intelligenz und Virtual Reality.
Ihre beeindruckenden Ergebnisse wurden letzte Woche an der Hochschule präsentiert. Zwischenergebnisse konnten bereits interaktiv im Rahmen des AI Transfer Congress (AITC) erlebt werden. Die beiden Studierenden entwickelten einen virtuellen Showroom, in dem Avatare Forschungsprojekte im natürlichsprachlichen Dialog erläutern. Diese innovative Lösung fand großen Anklang und zeigt eindrucksvoll das Potenzial der Zusammenarbeit zwischen den beiden Hochschulen - und das Potenzial generativer KI-Lösungen.
KI-Frühling 2024
Expert Talks, Executive Insights, Use Case Discussions und Hands-on-Workshops rund um den gewinnbringenden Einsatz von KI
Das Zentrum für Künstliche Intelligenz (ZfKI) bot im Rahmen des KISMi Projekts (Künstliche Intelligenz Supportplattform Mittelstand) den "KI Frühling" als Veranstaltungsreihe rund um den Einsatz von KI, insbesondere in Unternehmen, an.
Die Veranstaltungen wurden teils in Präsenz, teils mit dem Online-Konferenztool „Zoom“ durchgeführt.
Alle Veranstaltungen wurden im Rahmen des KISMi Projekts angeboten. Das Projekt wird als regionales KI-Lab gefördert durch das Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg im Rahmen der Initiative Wirtschaft 4.0 Baden-Württemberg (IW4.0).
Übersicht der durchgeführten Veranstaltungen des KI-Frühlings 2024
- 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.
Data Science, KI und generative KI sicher und erfolgreich einsetzen
Der KI Frühling des ZfKI (Zentrum für Künstliche Intelligenz) der DHBW Stuttgart begeistert mit einer Vielzahl von Veranstaltungen rund um den praktischen Einsatz von KI. In den letzten Wochen wurde das Thema mit Expert Talks, Executive Insights und Hands-on Workshops von vielen Seiten beleuchtet und Praktiker*innen aus den Unternehmen Einblicke in die Möglichkeiten der KI gegeben.
Expert Talk: Adam Pease über Ontologien und künstliche Intelligenz
Prof. Adam Pease von der Naval Postgraduate School in Monterey, Kalifornien, sprach im Rahmen der Reihe "KI Frühling" des Zentrums für Künstliche Intelligenz (ZfKI) der DHBW Stuttgart und des Projekts KISMi (KI Supportplattform Mittelstand) über das Thema "Ontologien für Datenwissenschaft und Datenmanagement".
KI-Herbst 2023
Das Zentrum für Künstliche Intelligenz bot im Rahmen des KISMi Projekts (Künstliche Intelligenz Supportplattform Mittelstand) den "KI Herbst" als Veranstaltungsreihe rund um den Einsatz von KI, insbesondere in Unternehmen an.
Übersicht der durchgeführten Veranstaltungen des KI Herbsts 2023
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.
ZfKI unterstützt KMU beim Einsatz von KI
KI ist gekommen, um zu bleiben. Unternehmen müssen sich demzufolge fragen, ob, wo und wie sie von einer der größten technologischen Entwicklungen des 21. Jahrhunderts profitieren können. Bei einer so rasanten Technologieentwicklung ist es aus Unternehmenssicht schwer, beim Technologieverständnis und dem Erkennen möglicher Potenziale den Überblick zu behalten. Hier unterstützt das Zentrum für Künstliche Intelligenz (ZfKI) der DHBW Stuttgart. Ende November 2023 fand die Executive Insights Veranstaltung „KI verstehen und Potenziale erkennen“ an der DHBW Stuttgart statt. Prof. Dr. Matthias Drüppel und Prof. Dr. Janko Dietzsch gaben einen hervorragenden Überblick über die aktuellen Möglichkeiten sowie spannende Einblicke mit ihrer sich gegenseitig perfekt ergänzenden fachlichen Perspektive.
KI-Herbst: Data-Driven Sales: KI-Power für den Maschinenbau
Das Zentrum für Künstliche Intelligenz (ZfKI) der DHBW Stuttgart lud im November 2023 die Gründer von Spotium ein, um über das Thema „Data-Driven Sales: KI-Power für den Maschinenbau“ zu referieren und zu diskutieren.
Nach einer kurzen Vorstellungsrunde wurden drei verschiedene Use-Cases vorgestellt: Die Projektakquise eines internationalen Antriebsherstellers, die Erstellung von Zielkundenlisten für einen mittelständischen Trübungssensorhersteller zur Neukund*innenengewinnung sowie die Bestandskundenklassifikation eines mittelständischen Sensorherstellers für gezielte Marketingkampagnen.
KI Herbst startet mit Expert Talk zu Quantum Machine Learning
Am 17. Oktober 2023 fand im Neubau der Fakultät Technik an der DHBW Stuttgart ein Vortrag über die industrielle Anwendung von Quantum Machine Learning statt. Referent Dr. Christian Tutschku leitet am Fraunhofer IAO das Team Quantencomputing im Forschungsbereich Digital Business. In seinem Vortrag gab Tutschku den interessierten Teilnehmenden Einblicke in die Grundlagen und Anwendungsmöglichkeiten der Quantentechnologie. Dabei wurden insbesondere die Kombinationsmöglichkeiten mit maschinellen Lernverfahren dargestellt und mit einer Open Source Python QML Implementierung vorgeführt.
ZfKI tritt dem Forschungsnetzwerk des KI Bundesverbands bei
Das Zentrum für Künstliche Intelligenz (ZfKI) der DHBW Stuttgart ist dem Forschungsnetzwerk des KI Bundesverbands beigetreten. Das Netzwerk für angewandte KI Forschung ist als eine Plattform für den Theorie-Praxis-Transfer in beide Richtungen zu verstehen. Einerseits findet ein Austausch zwischen Angewandter Forschung und Unternehmen statt und andererseits sollen die Forschungskenntnisse schnell in die betrieblichen Anwendungsfälle einfließen, was wissenschaftliche Expertise und unternehmerisches Denken voraussetzt.
ExpertTalk: EU Verordnung der Regulierung von KI
Am 12. Juli 2023 fand im Neubau der Fakultät Technik an der DHBW Stuttgart ein Vortrag über den EU AI Act von Prof. Dr. Patrick Glauner von der Technischen Hochschule Deggendorf statt. Er wurde bereits im deutschen, französischen und luxemburgischen Parlament als Sachverständiger zur EU Verordnung der Regulierung Künstlicher Intelligenz (EU AI Act) gehört.
DHBW Stuttgart beim Digitalgipfel BW 2023
Am 22. Juni 2023 fand der Digitalgipfel BW in der Porsche-Arena statt. Dieser verfolgt das Ziel, die Sichtbarkeit des Landes Baden-Württemberg als Top-Standort für Digitalisierung und auch für Zukunftstechnologien wie Künstliche Intelligenz zu unterstreichen. Die DHBW Stuttgart war über das Zentrum für Künstliche Intelligenz (ZfKI) und das dort angesiedelte Projekt KISMi (KI Supportplattform Mittelstand) im Ausstellungsbereich der KI-Regionallabore und Digital Hubs prominent vertreten.
Hybrider Workshop: Künstliche Intelligenz in der Hochschullehre
Am 14. Juni 2023 luden das ZfKI der DHBW Stuttgart und die NextEducation Forschungsgruppe der DHBW Karlsruhe zusammen mit dem KI-Campus zum Workshop „Sprachassistenzen, Chatbots & KI Systeme als Chance für die Hochschullehre“ ein.
Der Workshop zur Integration von generativer KI wie ChatGPT in die Hochschullehre wurde als hybride Veranstaltung durchgeführt, um die Teilnahme von Lehrenden und Forschenden sowohl vor Ort als auch online zu ermöglichen. Etwa 20 Teilnehmerinnen und Teilnehmer nahmen persönlich an der Veranstaltung teil, während bis zu 50 weitere online per Videokonferenz zugeschaltet waren. Diese hybride Struktur erlaubte eine breite Beteiligung von Lehrenden aus verschiedenen Fachbereichen und förderte den interdisziplinären Austausch über die Anwendungsmöglichkeiten von ChatGPT in verschiedenen Disziplinen. Strukturiert war der Workshop in drei Blöcke, in denen die Teilnehmenden ausführlich zum Thema Studieren, Lehren und Prüfen mit Künstlicher Intelligenz diskutierten.
Expert Talks mit dem Thema OpenAI ChatGPT erfolgreich gestartet
Am Donnerstag, den 9. März 2023, fand im gut gefüllten Plenum im Neubau der Fakultät Technik der DHBW Stuttgart der mit Spannung erwartete Vortrag von Dr. Sven Schmeier zu ChatGPT statt. Deutlich über 100 Teilnehmende aus allen Fakultäten sowie Partnerunternehmen und Studierende waren bei der hybriden Veranstaltung vertreten.
Anwendungsforum: KI-Experten tauschen sich aus
Das Anwendungsforum des 2022 gegründeten Zentrums für Künstliche Intelligenz (ZfKI) der DHBW Stuttgart hat sich zu seiner ersten konstituierenden Sitzung getroffen.
Starker Auftritt des ZfKI auf dem DHBW AI Transfer Congress
Am 23. September 2022 fand der erste Transferkongress zum Thema Künstliche Intelligenz an der DHBW statt. Rund 350 Gäste aus Wissenschaft und Wirtschaft kamen dazu am Bildungscampus in Heilbronn zusammen. Wissenschaftler*innen aller Standorte und Fachbereiche der Hochschule sowie Praxispartner aus verschiedenen Unternehmen präsentierten auf dem Kongress rund 60 Projekte mit konkretem Anwendungsbezug.
Erneuter Erfolg bei Weltmeisterschaft für automatische Beweiser
In der CADE ATP System Competition, der Weltmeisterschaft für automatische Beweiser, besteht die SLH-Division (Sledgehammer-Division) aus Beweisaufgaben, die menschliche Nutzer*innen mit dem interaktiven Beweiser „Isabelle“ beweisen wollen und die in eine für automatische Beweiser geeignete Logik übersetzt wurden. In dieser Division hat der an der DHBW Stuttgart entwickelte Theorembeweiser „E“ den Wettbewerb im Rahmen der FLoC Olympic Games in Haifa (Israel) gewonnen.
Mit KI in die Zukunft – ZfKI feierlich eröffnet
Mit dem Beschluss der Hochschulleitung wurde am 11. Juli 2022 das fakultätsübergreifende Zentrum für Künstliche Intelligenz (ZfKI) an der DHBW Stuttgart gegründet. Eine Stärke dieses neuen Zentrums ist dabei die Diversität der Gründungsmitglieder und das breit abgedeckte fachliche Spektrum, eine andere Stärke ist, dass sowohl die Lehre als auch die Forschung unterstützt werden. In den letzten Jahren hat das Thema Künstliche Intelligenz (KI) zunehmend an Dynamik in Wissenschaft, Wirtschaft und Politik gewonnen. Als Technologie begegnet es uns in Smartphones, bei den Sprachassistenten oder beim autonomen Fahren und trägt mit intelligenten Verfahren zur Verbesserung der Nachhaltigkeit bei. KI-basierte Technologien haben somit zunehmend den Status der Grundlagen- und Auftragsforschung verlassen und finden sich in vielen Bereichen des täglichen Lebens wieder.
DHBW Stuttgart gewinnt Förderung für KI Supportplattform Mittelstand (KISMi)
Das Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg fördert 16 regionale KI-Labs in Baden-Württemberg mit 3,1 Millionen Euro im Rahmen des „Aktionsprogramms KI für den Mittelstand“. Wirtschaftsministerin Dr. Nicole Hoffmeister-Kraut überreichte in Stuttgart die Förderbescheide. Darunter auch das Projekt KI Supportplattform Mittelstand (KISMi) der DHBW Stuttgart, das mit rund 200.000 Euro gefördert wird. Die regionalen KI-Labs sollen insbesondere mittelständische Unternehmen über Anwendungsfälle von KI sowie über Chancen und Herausforderungen informieren. Außerdem sollen sie auch zur Sichtbarkeit von „KI made in Baden-Württemberg“ beitragen und KI-Unternehmen, Forschungseinrichtungen und mittelständische Anwender in den Regionen zusammenbringen.