Eckdaten
Zielgruppe: Manager, Projektleiter, Softwarearchitekten | Dauer: 2 Tage | 9:00–17:00 Uhr | Trainer: Michael Weiss | Online-Workshop | Teilnehmerzahl: 4-12
Seminarbeschreibung
Künstliche Intelligenz ist eine transformierende Technologie, die in naher Zukunft in eine Vielzahl von Softwareanwendungen integriert werden wird. Dies wird aber nicht nur die versprochenen Vorteile bringen, sondern geht ebenso mit erheblichen Risiken einher.
Im Workshop lernen Teilnehmer*innen die fundamentale Terminologie und Konzepte moderner KI kennen. Der Kurs bietet den Teilnehmern eine Richtschnur, um mögliche Einsatzbereiche von KI in ihrem Arbeitsumfeld zu erkennen und kritisch zu beurteilen. Das Seminar zeigt auf, worauf bei KI-Projekten zu achten ist, welche Schwächen KI-Modelle grundsätzlich haben, und welche Gefahren es zu vermeiden gilt.
Im Kurs lernen die Teilnehmer eine aktuelle Auswahl bestehender KI Services und deren typische Nutzungsszenarien kennen. Im Zentrum stehen Grundlagen und Workflow des maschinellen Lernens. Das vermittelte Wissen ist daher zum größten Teil KI-Anbieter- und Technologie-Stack-unabhängig und generell nutzbar. Der Kurs behandelt nicht nur aktuelle Hype-KIs wie ChatGPT und GPT4, sondern auch Modelle anderer Anwendungsbereiche, beispielsweise aus dem Bereich der Bilderkennung und -verarbeitung.
Agenda
Was ist Künstliche Intelligenz?
- Supervised, Unsupervised und Reinforcement Learning
- Generative- vs. Prädiktive-KI
- 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
- Fallstudie: Dem eigenen Business-Case angepasste Bilderkennung
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, und wie man sie verwendet
- 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, ...)
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.
