Detaillierte Informationen zum Seminar
Inhalte:
Grundlagen des maschinellen Lernens
- Mathematische Grundlagen des maschinellen Lernens
- Auswahl und statistische Bewertung von Trainingsdaten
- Praktische Beispiele zur Bewertung von Datensätzen
- Übersicht über gängige Methoden des maschinellen Lernens
Eignung von Machine-Learning-Modellen
- Erklärbarkeit von Modellen und der Blackbox-Effekt
- Kenngrößen und ?Benchmarks? zur Bewertung von Machine-Learning-Modellen
- Hypothesentests und Varianzanalyse zur Analyse statistischer Verzerrungen (?Bias?)
- Anwendungsfälle und ?Best Practices? für maschinelles Lernen
Überwachung im laufenden Betrieb
- Hosting und Sicherheit von Machine-Learning-Modellen
- Veränderung des Nutzerverhaltens (Bestätigungsbias)
- Verschlechterung über Laufzeit (?Model Drift?)
Ausblick auf die zukünftige Entwicklung
- Low Code / No-Code-Werkzeuge
- Chatbots und generative KI
- Kaggle und Hugging Face: Communities für ?Machine Learning?
Ziele/Bildungsabschluss:
Ob Medizin, Dienstleistungen oder Industrie - es gibt kaum eine Branche, die nicht von den Fortschritten in der Künstlichen Intelligenz (KI) profitiert. Aber je stärker KI in die täglichen Abläufe von Unternehmen integriert wird, desto drängender stellt sich die Frage: Wie können diese Systeme sinnvoll überwacht und abgesichert werden?
Das Herz eines jeden KI-Systems ist ein Modell, das mithilfe maschinellen Lernens erzeugt wird. In diesem Seminar zur KI-Absicherung erhalten Sie ein solides Verständnis der Grundlagen des maschinellen Lernens. Sie erfahren, wie statistische Verzerrungen (?Bias?) bei der Datenerhebung, beim Modelltraining und im Betrieb Ihre KI-Systeme beeinflussen und wie Sie diese vermeiden können. Die Inhalte dieses Trainings ermöglichen es Ihnen, Ihre KI-Modelle zu optimieren und eine bessere Erklärbarkeit Ihrer KI-Systeme zu erreichen.
Anhand praxisnaher Beispiele lernen Sie:
- Kennzahlen zur Bewertung und Optimierung von KI?Modellen anzuwenden,
- Transparenz zu schaffen und dem ?Blackbox?Effekt? vorzubeugen,
- Unzulänglichkeiten bestehender Modelle zu identifizieren und zielgerichtet zu beheben,
- KI?Systeme und Datensätze effektiv zu testen und zu validieren,
- Verzerrungen systematisch zu vermeiden und das Risiko im Betrieb zu senken,
- mithilfe von Statistik und Kenngrößen bessere Designentscheidungen für Ihre Modelle zu treffen.
Dieses Training stärkt Ihre Fähigkeit, robuste, nachvollziehbare und qualitativ hochwertige Machine?Learning?Modelle zu entwickeln. Nutzen Sie das Wissen zur KI-Absicherung, um Ihre Projekte erfolgreich in Ihren Arbeitsalltag zu integrieren und praxisgerecht umzusetzen.
Teilnahmevoraussetzungen:
Grundlagen der Statistik und Mathematik sind hilfreich.
Darüber hinaus benötigen die Teilnehmenden einen Zugang zu KNIME, das bereits vor der Veranstaltung installiert sein sollte. Eine Grundversion ist ausreichend.
Lehrgangsverlauf/Methoden:
Präsenzseminar
Zielgruppe:
Dieses Training richtet sich an Fach- und Führungskräfte in den Bereichen IT und Data Science. Insbesondere Mitarbeitende aus den Bereichen KI-Engineering, Softwareentwicklung, DevOps und KI-Management profitieren von den Trainingsinhalten, die dabei helfen, vertrauenswürdige KI- und Machine-Learning-Lösungen zu entwickeln.
Seminarkennung:
EX/A52/10506011/06072026-1
