Einführung in die Künstliche Intelligenz (KI)

Seminarziel

Am Ende des Seminars verstehen die Teilnehmenden die Grundlagen der Künstlichen Intelligenz und deren Anwendungen in der Praxis. Sie lernen grundlegende Algorithmen und Technologien kennen, entwickeln erste Modelle und können die Möglichkeiten und Grenzen von KI in ihrem Unternehmen besser einschätzen.

Inhalt

• Einführung in die Künstliche Intelligenz (KI)
  • Was ist KI? Grundlagen der Künstlichen Intelligenz, Definitionen und Abgrenzungen zu verwandten Bereichen wie maschinellem Lernen und Data Science.
  • Entwicklung der KI: Historischer Überblick und aktuelle Trends, einschließlich Deep Learning und generativer KI.
  • Kerntechnologien: Überblick über neuronale Netze, Entscheidungsbäume, Reinforcement Learning und natürliche Sprachverarbeitung (NLP).
  • Nutzen für Unternehmen: Optimierung von Geschäftsprozessen, Verbesserung der Entscheidungsfindung und Erschließung neuer Geschäftsfelder.
• Vergleich mit ähnlichen Technologien
  • KI vs. Data Science: Unterschiede in Fokus und Methodik, z. B. prädiktive Modelle vs. Datenanalyse.
  • KI vs. Automatisierung: Abgrenzung zwischen regelbasierter Automatisierung und lernfähigen Systemen.
  • Proprietäre vs. Open-Source-KI: Vergleich von Plattformen wie TensorFlow, PyTorch und H2O.ai.
  • Einsatzszenarien: Diskussion spezifischer Anwendungsfälle und Auswahl geeigneter Technologien.
• Grundlagen der Künstlichen Intelligenz
  • Supervised Learning: Einführung in überwachte Lernmethoden und deren Einsatzgebiete, z. B. Bild- und Spracherkennung.
  • Unsupervised Learning: Verständnis für unüberwachte Lernmethoden wie Clustering und Dimensionalitätsreduktion.
  • Reinforcement Learning: Grundlagen der verstärkenden Lernmethoden für dynamische Entscheidungsprobleme.
  • Wichtige Algorithmen: Überblick über Algorithmen wie Random Forest, SVMs und neuronale Netze.
• Praxisübung 1: Entwicklung eines einfachen KI-Modells
  • Ziel der Übung: Die Teilnehmenden entwickeln ein einfaches Machine-Learning-Modell zur Klassifikation von Daten.
  • Projektbeschreibung: Erstellung eines Modells mit einem Dataset zur Vorhersage von Kundenverhalten.
  • Tools: Python, Scikit-learn, Jupyter Notebooks.
  • Ergebnisse: Die Teilnehmenden erstellen und evaluieren ein prädiktives Modell.
• Vertiefung der KI-Grundlagen
  • Deep Learning: Einführung in Deep Learning mit neuronalen Netzen und deren Architektur.
  • NLP und Textverarbeitung: Grundlagen der Verarbeitung natürlicher Sprache und generative KI-Modelle wie ChatGPT.
  • Ethische Aspekte der KI: Diskussion über Bias, Transparenz und Datenschutz in KI-Anwendungen.
  • Einsatz in der Praxis: Beispiele erfolgreicher KI-Anwendungen in verschiedenen Branchen.
• Optimierung und Skalierung von KI-Anwendungen
  • Hyperparameter-Tuning: Methoden zur Optimierung der Leistung von KI-Modellen.
  • Skalierung von KI-Projekten: Nutzung von Cloud-Plattformen wie AWS, Google Cloud und Azure für skalierbare Lösungen.
  • Integration in bestehende Systeme: Strategien zur Implementierung von KI in Unternehmensprozesse.
  • Automatisierung und KI: Verbindung von KI mit RPA (Robotic Process Automation) zur Effizienzsteigerung.
• Praxisübung 2: Entwicklung eines Deep-Learning-Modells
  • Ziel der Übung: Die Teilnehmenden erstellen ein einfaches neuronales Netz zur Bild- oder Textklassifikation.
  • Projektbeschreibung: Aufbau eines Modells mit einem vortrainierten Netzwerk (Transfer Learning).
  • Tools: TensorFlow/Keras, Google Colab.
  • Ergebnisse: Die Teilnehmenden entwickeln ein Modell, das auf reale Daten angewandt werden kann.
• Best Practices und Zukunftsperspektiven
  • Projektplanung: Tipps zur erfolgreichen Umsetzung von KI-Projekten in Unternehmen.
  • KI-Strategien: Entwicklung einer unternehmensweiten KI-Strategie.
  • Trends in der KI: Zukunftstechnologien wie multimodale KI, federiertes Lernen und ethische KI.
  • Einsatzmöglichkeiten in Unternehmen: Fallstudien und Praxisbeispiele aus verschiedenen Branchen.
• Zusammenfassung und Handlungsempfehlungen
  • Best Practices: Zusammenfassung der wichtigsten Erkenntnisse für den erfolgreichen Einsatz von KI.
  • Nächste Schritte: Empfehlungen für weiterführende Ressourcen und Vertiefungsmöglichkeiten.
  • Zukunftsausrichtung: Trends und Technologien, die Unternehmen für die nächsten Jahre beachten sollten.