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.
| Ziel: | Die Teilnehmerinnen und Teilnehmer lernen eine aktuelle Auswahl existierender KI-Dienste und deren typische Einsatzszenarien kennen. Der Schwerpunkt 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. |
| Inhalte: | 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 |
| Methodik: | Besonderer Wert wird auf die Behandlung konkreter Fallbeispiele aus dem beruflichen Alltag der TeilnehmerInnen gelegt. Der Trainingsprozeß verläuft im Wechsel von TrainerInput, medialer Präsentation und Einzel-/Gruppenarbeit sowie Übungen.Die Bereitschaft zur persönlichen Auseinandersetzung ist erwünscht. |
| Investition: | 840.– € ( zzgl. 134,40 € MwSt.) / 2 Tage |
| Termine: | Die aktuellen Termine erfragen Sie bitte bei uns. Anmeldungen werden in der Reihenfolge ihres Eingangs berücksichtigt. Die Teilnehmerzahl ist auf max. 10 Personen begrenzt! Sichern Sie sich Ihre Teilnahme frühzeitig! |
| Sie können sich die Seminarbeschreibung als PDF-Datei downloaden |