Seminar

KI und Maschinelles Lernen im Unternehmen innovativ planen und erfolgreich einsetzen (NEU)

Einführung, Vorstellungsrunde, Ziele des Seminars und der Teilnehmer

Der Data Science Prozess im Überblick

• Struktur der Datenwissenschaften
• Datenerhebung - technische und psychologische Aspekte incl. Requirements Engineering
• Datenbereinigung: von unsicheren Zahlentabellen zu sauber strukturiertem Datenbestand
• Datenanalyse: von Daten zu Nutzen bringenden Informationen
• Modellbildung: Erzeugung Digitaler Zwillinge und den Modellen des Software Engineering
• Maschinelles Lernen und Künstliche Intelligenz: Potenziale und Lösungsräume

Klärung wichtiger Fachbegriffe

• Die notwendige Basis für Ideen und Kommunikation
• Angewandte Konzepte und Begriffe, die Sie kennen, verstehen und anwenden sollten

Technologische Grundlagen

• Statistik: die Unsicherheit mathematisch in den Griff bekommen
• Dark Pattern/Aufmerksamkeitsökonomie
• Skalenniveaus, Korrelation, Gütekriterien und Prinzipien von Selbstlernsystemen
• Funktionsübersicht der wichtigsten Ansätze für maschinelles Lernen: naive Bayes-Klassifikatoren, Clustering, Decision Trees etc.
• Vorausschauende Wartung und Anomalie-Erkennung: Multiple Regression, Zeitreihenanalyse, Feature Engineering und mehr
• Vom Neuron zum Neuronalen Netz: Embedded Applications auch auf dem Laptop oder Einplatinen-Computer
• Das sprechende Produkt: ein SML als Ihr Mini-ChatGPT
• Wie Bilderkennung funktioniert
• Quick Wins für den Anfang - die Struktur der erfolgreichen Einführung

Fallstricke und ihre Vermeidung

• Überanpassung, wenn besser tatsächlich schlechter ist
• Wenn in Millionen Zahlen keine Information steckt
• Wenn uns Regression als KI verkauft wird
• Neuronale Netze als Allheilmittel „Magic Bullet“
• KI-Halluzinationen verstehen und vermeiden
• Die rechtlich verpflichtende Forderung nach einer "Explainable AI"
• Surreale Korrelationen: wann sie generalisierbar sind und wann nicht
• Bewertung der KI-Qualität: die Konfusionsmatrix und Software-Metriken
• Gefährliches Lock-In: NVIDIAS kostenloses AIpamayo als Beispiel
• Riskante Neigungen von Softwareentwicklern und Abhilfe

Praktische Übungen

• Generierung synthetischer Daten, Regression, Überanpassung, Clustering, Neuronales Netz und mehr als Python-Code praxisnah vorgeführt
• Software-Engineering: Entwurf eines einfachen UML-Modells

Mnemotechniken

• Tipps und Tricks zur einfachen Verankerung des Wissens im Kopf
• So gelingen Gespräche mit Experten

Fachbeitrag des Referenten in der ZFO (Zeitschrift Führung + Organisation)

• Effizienzsteigerung von 30% und mehr bei 100 produzierenden Unternehmen durch Statistik
• Nutzung als Tool des Lean Management und als machtvolles Leadership-Werkzeug

KI-Praxisbeispiele aus der Industrie

• Vorstellung und Ausgabe des VDI Projektatlas KI
• Vorstellung weiterer, erfolgreicher Anwendungen von Data Science, KI und ML
• Einblick in Systems-, Requirement- und Software Engineering

Workshop: Methoden und Inhalte für den Design Thinking-Prozess

• Erzeugen innovativer Applikationen
• Die KI-Praxisbeispiele als 1. Lösungsdimension
• Basistechnologien als 2. Lösungsdimension
• Kompetenzen und Ziele Ihres Unternehmens
• Die bewährte Morphologische Box und mehr im Einsatz zur Generierung von Wettbewerbsvorteilen, technologischen Lösungen und neuartigen Geschäftsmodellen im praktischen Einsatz
• Prinzip von Lean Innovation und Marketing
• Weitere Werkzeuge zur stetigen Verbesserung wie die erweiterte Osborn-Checkliste
• Leadership-Kompetenzen wie Moderation, Mediation, TZI, FB, 5DM und FT

KI und Recht

• Die gesetzlich vorgeschriebene KI-Kompetenz gemäß Art. 3 Nr. 56 KI-VO
• Weitere Rechtsnormen mit verpflichtender Bedeutung: CRA, Omnibus, NIS, Data Act, CE und die Maschinenrichtlinie
• Risikoaufklärung gemäß KI-VO: Die vier Risikostufen der KI-Verordnung

Einführung in die Organisation

• Erfolgsfaktoren für das Management und Führungskräfte
• Wirtschaftspsychologisch fundierte Strategien zur gelingenden Einführung von Veränderung und Transformation, wie der Einsatz von KI und Machine Learning es erforderlich macht.
• Auftragsklärung mit Experten und Dienstleistern: Requirements Engineering
• Vision: Vom Blechbieger zum Tech-Konzern - Die Entwicklung neuer, durch KI-Kompetenz ermöglichter Geschäftsmodelle