Künstliche Intelligenz (KI), insbesondere Maschinelles Lernen (ML), 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 dem Workshop werden die grundlegende Terminologie und Konzepte moderner KI vermittelt. Es wird aufgezeigt, wie Künstliche Intelligenz in verschiedenen Arbeitsumfeldern angewendet und kritisch bewertet werden kann. Das Seminar behandelt wichtige Aspekte von KI-Projekten, beleuchtet grundlegende Schwächen von KI-Modellen und weist auf zu vermeidende Gefahren hin.

Ebenso werden 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. Der Workshop wird laufend um aktuelle Entwicklungen ergänzt und nimmt Bezug darauf.

Das Seminar wird über eine Videokonferenzplattform durchgeführt. Es wird lediglich ein Webbrowser benötigt. Das Seminar wird in deutscher Sprache abgehalten. Alle notwendigen Informationen, einschließlich der Zugangsdaten, werden im Voraus per E-Mail bereitgestellt. Nach Abschluss des Seminars erhalten die Teilnehmer ein Teilnahmezertifikat.

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

Einführung in Large-Language Models (LLM)

• Wie können ChatGPT etc. Text generieren?
• System- und User Prompts
• Was sind fundamentale Schwächen dieses Ansatzes?
• Zufälligkeit und Kreativität in LLMs
• Nutzung nichtöffentlicher und aktueller Daten mit Retrieval Augmented Generation (RAG) 
• Multi-Modale LLMs
• Praktische Aufgabe: Prompting OpenAIs LLMs

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
  

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: Live-Jailbreaking (“Hacking”) von Googles Bildgenerator*
  * Durchführung und Erfolg kann nicht garantiert werden.

Ökonomische Aspekte Künstlicher Intelligenz

• Kosten im Maschinellen Learning
• Selbstverbessernde Systeme und KI-Skaleneffekte
• Rechtliche und Ethische Fragen ohne offensichtliche Lösungen
• Fallstudie: Teslas Selbstfahrende Autos

Kurze Übersicht über bekannte Services

• Text- und Multimodale Modelle (GPT-Varianten, LLaMA …)
• Bilderzeugungs-Modelle (DALL·E, Stable Diffusion, Imagen, …)
• Transkriptions-Modelle (Whisper)
• Simple und günstige Alternativen (FastText, Vortrainierte Bild-Erkennung, ...)
  

Zielgruppe und Voraussetzungen

Außer einer gewissen Affinität für IT 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.