Eckdaten
Zielgruppe: Manager*innen, Projektleiter*innen, Softwarearchitekt*innen | Dauer: 2 Tage | 9:00–17:00 Uhr | Trainer: Dr. Michael Weiss | Online-Workshop | Teilnehmerzahl: 4-12
Seminarbeschreibung
Künstliche Intelligenz ist eine transformative Technologie, die in naher Zukunft in eine Vielzahl von Softwareanwendungen integriert werden kann. Dies bringt jedoch nicht nur die versprochenen Vorteile mit sich, sondern birgt auch erhebliche Risiken.
In Workshops werden die grundlegende Terminologie und Konzepte der modernen Künstlichen Intelligenz vermittelt. Es wird aufgezeigt, wie Künstliche Intelligenz in verschiedenen Arbeitsumfeldern angewendet und kritisch bewertet werden kann. Seminare behandeln wichtige Aspekte von KI-Projekten, beleuchten grundlegende Schwächen von KI-Modellen und weisen auf zu vermeidende Gefahren hin.
Ebenso wird eine aktuelle Auswahl existierender KI-Dienste vorgestellt und deren typische Einsatzszenarien erläutert. Der Fokus liegt auf den Grundlagen und dem Workflow des maschinellen Lernens. Das vermittelte Wissen ist daher weitgehend KI-Anbieter- und Technologie-Stack-unabhängig und allgemein anwendbar.
Der Kurs behandelt sowohl aktuelle Hype-KIs wie ChatGPT und GPT4 als auch Modelle aus anderen Anwendungsbereichen, z.B. aus der Bilderkennung und -verarbeitung. Praktische Übungen beinhalten nicht nur eine Reflexion der erlernten Theorie, sondern auch eine Einführung in die Verwendung der Modelle von OpenAI.
Agenda
Was ist Künstliche Intelligenz?
- Beispiele Künstlicher Intelligenz, welche die Anwendungsbreite darlegen
- Supervised, Unsupervised und Reinforcement Learning
- Generative- vs. Prädiktive-KI
- Embeddings und Vektordatenbanken, z.B. für KI-basierte Suchanwendungen
- Fallstudie: Wie DeepBlue den Schachweltmeister geschlagen hat.
- Praktische Aufgabe: Anwendungsbereiche in der eigenen Branche erkennen
Von Linearer Regression zu Künstlichen Neuronalen Netzwerken
- Wie Maschinen von Daten lernen
- Was ist ein Künstliches Neuronales Netzwerk
- Anwendungsbeispiele Künstlicher Neuronaler Netzwerke
- Stärken von Künstlichen Neuronalen Netzwerken und Künstlicher Intelligenz
- Fallstudie: Wie funktioniert ChatGPT?
Der Workflow des Maschinellen Lernens
- Training, Validierung und Testen von Modellen
- Finetuning bestehender Modelle
- Transfer-Learning von bestehenden Modellen
- Praktische Aufgabe: Halluzinationen großer Sprachmodelle
Schwächen von Künstlichen Neuronalen Netzwerken
- Unsicherheiten in Vorhersagen
- Erklärbarkeit von Vorhersagen
- Probleme mit unbekannten Daten
- Bias (Voreingenommenheit)
- Praktische Aufgabe: Beispiele von AI-Missbrauches
Ökonomische Aspekte Künstlicher Intelligenz
- Kosten in Maschinellem Learning
- Selbstverbessernde Systeme und KI-Skaleneffekte
- Rechtliche und Ethische Fragen ohne offensichtliche Lösungen
- Fallstudie: Teslas Selbstfahrende Autos
Bekannte Services
- Grosse Textmodelle (GPT3 und 4, ChatGPT, Bart, LLaMA …)
- Bilderzeugungs-Modelle (DALL·E 2, Stable Diffusion, …)
- Transkriptions-Modelle (Whisper)
- Simple und günstige Alternativen (FastText, Vortrainierte Bild-Erkennung, ...)
- Praktische Aufgabe: Prompting für Sprach- und Bildmodelle
Zielgruppe und Voraussetzungen
Außer einer gewissen Informatikaffinität hat der Kurs keine Voraussetzungen. Er richtet sich primär an Entscheidungsträger*innen, die eine Integration von KI-Komponenten in Betracht ziehen und das Potenzial und die Risiken besser beurteilen wollen.