Seminare
Seminare
  • Seminare
  • Anbieter
  • 5 km
  • 10 km
  • 25 km
  • 50 km
  • 100 km
  • 150 km
  • 200 km
  • 300 km

AI/ML Produktmanagement

Seminar - GFU Cyrus AG

Die Teilnehmenden erlernen die wesentlichen Unterschiede zwischen traditioneller Software und KI-Produkten. Ziel ist es, Geschäftspotenziale für ML-Anwendungsfälle zu identifizieren, Anforderungen an Datenqualität zu definieren und die Zusammenarbeit mit Data Scientists effizient zu steuern, um marktfähige Lösungen zu entwickeln.
Termin Ort Preis*
firmenintern auf Anfrage auf Anfrage
*Alle Preise verstehen sich inkl. MwSt.

Detaillierte Informationen zum Seminar

Inhalte:
  • 1. Das Fundament: KI-Mindset für Produktverantwortliche
    • Probabilistik vs. Determinismus: Warum KI-Produkte niemals fertig sind und wie man mit unvorhersehbarem Systemverhalten umgeht.
    • Anwendungsfelder identifizieren: Klassifikation (Was ist das?), Regression (Wie viel?), Clustering (Was gehört zusammen?) und Generative KI.
    • Der AI-Product-Canvas: Strukturierung von Problemstellung, Datenbedarf und Erfolgskriterien auf einer Seite.

  • 2. Daten als Produktbestandteil (Data Strategy)
    • Datenakquise und -qualität: Identifikation interner und externer Datenquellen sowie Strategien für das Kaltstart-Problem.
    • Data Labelling und Annotation: Management des Aufwands für die Erstellung von Trainingsdaten und Auswahl der richtigen Werkzeuge.
    • Datenschutz und Compliance: Rechtliche Rahmenbedingungen (DSGVO, AI Act) und deren Einfluss auf das Produktdesign.

  • 3. Problem-Solution Fit für ML
    • Hypothesengetriebene Entwicklung: Formulierung von klaren Geschäftshypothesen, die durch ML-Modelle validiert werden können.
    • User Experience für KI: Gestaltung von Interfaces, die Vertrauen schaffen und den Umgang mit Fehlprognosen (False Positives/Negatives) erleichtern.
    • Value Proposition: Warum KI hier die bessere Lösung ist als eine einfache regelbasierte Logik.

  • 4. Metriken und Evaluation
    • Technische vs. Business-Metriken: Verständnis von Precision, Recall, F1-Score und deren Übersetzung in geschäftlichen Impact (ROI, Conversion).
    • Baseline-Definition: Festlegung eines Vergleichswerts (z. B. menschliche Leistung oder einfacher Algorithmus), um den Fortschritt zu messen.
    • Monitoring im Betrieb: Überwachung von Model Drift - wenn das Modell in der realen Welt an Genauigkeit verliert.

  • 5. Der ML-Lebenszyklus und agile Prozesse
    • Experimentation Phase: Schnelles Prototyping und Machbarkeitsstudien (PoC) zur Risikominimierung.
    • Integration in Sprints: Anpassung von Scrum oder Kanban an die oft nicht-linearen Arbeitsweisen von Data Science Teams.
    • MVP-Definition für KI: Wie viel Genauigkeit ist für den Marktstart notwendig?

  • 6. Zusammenarbeit mit Data Science Teams
    • Rollenverständnis: Brücken bauen zwischen Engineering, Data Science und Business.
    • Anforderungsmanagement: Wie man User Stories für ML schreibt, ohne die technische Lösung vorzugeben.
    • Erwartungsmanagement: Kommunikation von Unsicherheiten und Zeitbedarfen gegenüber dem Management.

  • 7. Ethik, Bias und Erklärbarkeit (XAI)
    • Bias-Erkennung: Identifikation und Minimierung von Vorurteilen in Trainingsdaten und Modellergebnissen.
    • Explainable AI: Methoden, um Black Box-Entscheidungen für Nutzer und Regulierungsbehörden nachvollziehbar zu machen.
    • Ethische Leitplanken: Aufbau eines Wertekatalogs für den verantwortungsvollen Einsatz von KI im Unternehmen.

  • 8. Die Praxis-Werkstatt: Das AI Product Discovery-Szenario
    • Case Study: Entwicklung einer Produktstrategie für ein konkretes ML-Szenario (z. B. Predictive Maintenance oder Personalisierung).
    • Modellierung der Feedback-Loop: Entwurf eines Systems, das durch Nutzerinteraktion automatisch besser wird.
    • Transferplan: Identifikation des ersten Quick Win KI-Anwendungsfalls im eigenen Portfolio.




Zielgruppe:
  • Produktmanager und Product Owner: Die bereits Erfahrung haben und nun Produkte mit KI-Komponenten verantworten oder planen.
  • Business Analysten und Strategen: Akteure, die Potenziale für Prozessautomatisierung und prädiktive Analysen bewerten.
  • Führungskräfte in der Tech-Branche: Die die Ressourcenallokation und Zeitpläne für ML-Projekte besser einschätzen müssen.
  • Data Scientists mit Führungsanspruch: Personen, die die geschäftliche Seite der Modellentwicklung verstehen wollen.
  • Innovationsmanager: Die KI als Werkzeug zur Lösung komplexer Kundenprobleme in das Portfolio integrieren möchten.



Seminarkennung:
S6299
Nach unten
Nach oben
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern. Diese Cookies werden nicht automatisiert gesetzt. Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren. Weitere Informationen finden Sie hier.
Akzeptieren Nicht akzeptieren









Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha



Bei der Verarbeitung Ihrer personenbezogenen Daten im Zusammenhang mit der Kontaktfunktion beachten wir die gesetzlichen Bestimmungen. Unsere ausführlichen Datenschutzinformationen finden Sie hier. Bei der Kontakt-Funktion erhobene Daten werden nur an den jeweiligen Anbieter weitergeleitet und sind nötig, damit der Anbieter auf Ihr Anliegen reagieren kann.







Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha