Schulungssuche

Do you manage one or more processes in your organisation? This course shows you how to harness the power of process mining to make data-driven decisions. You will learn how to get away from manual process analysis and save time. Our experts will teach you the different methods of process analysis, independent of any provider and based on the latest scientific knowledge! Im Kurs lernst du folgendes: Die reale Ausführung deines Prozesses zu identifizieren Effiziente Nutzung deiner Prozessdaten Identifikation von Problemen mit konkreten Zahlen Alles rund ums Projekt: Methodik eines Process Mining Projekts Wie du Process Mining in deinem Unternehmen skalieren kannst Alles, was du brauchst, ist ein Windows-Laptop mit den notwendigen Berechtigungen zur Installation von Software und ein paar Python Grundkenntnisse. Schon geht’s los! Den genauen Kursplan findest du am Ende der Seite in der Grafik. Für Fragen kannst du dich auch direkt an unsere Experten wenden. Den Kontakt findest du im Link auf der rechten Seite.

Die EU KI-Verordnung ist ein Vorschlag der Europäischen Kommission für eine EU-Verordnung, die einen gemeinsamen Regulierungs- und Rechtsrahmen für KI schaffen soll. Die Verordnung zielt darauf ab, sowohl die Grundrechte als auch die Nutzer zu schützen und eine rechtliche Grundlage für die sich schnell entwickelnde KI zu schaffen. Gleichzeitig soll das Vertrauen in KI gestärkt und die Innovation gefördert werden. Diese Verordnung stellt sicher, dass KI-Systeme in der EU sicher, transparent und vertrauenswürdig sind, während sie gleichzeitig die Innovation und den Wettbewerb fördern. Hierzu vermittelt die Schulung »Data Scientist specialized in the EU AI Act« einen umfassenden Überblick über die Absicherung von KI-Anwendungen in allen relevanten Handlungsfeldern und gibt Ihnen eine strukturierte Methodik zur Anwendung in der Praxis an die Hand.

Vertrauenswürdige KI spielt sowohl für die Operationalisierung des AI-Act (Artificial Intelligence Act) eine große Rolle, als auch zur Qualitätsgarantie im unregulierten Bereich. Es existiert bereits eine Vielzahl von Ansätzen und Methoden, mit denen wichtige Eigenschaften von KI-Anwendungen in Bezug auf ethische sowie auf sicherheitsrelevante Aspekte sichergestellt werden sollen. Für Unternehmen kommt es nun darauf an, zentrale Anforderungen der Vertrauenswürdigkeit zielgerichtet und möglichst pragmatisch umzusetzen. Hierzu vermittelt die Schulung »Data Scientist specialized in Trustworthy AI« einen umfassenden Überblick über die Absicherung von KI-Anwendungen in allen relevanten Handlungsfeldern und gibt Ihnen eine strukturierte Methodik zur Anwendung in der Praxis an die Hand.

Das Seminar bietet einen Überblick über den Stand der Technik an der Schnittstelle zwischen funktionaler Sicherheit (Safety) und Künstlicher Intelligenz inklusive relevanter Normen und Normungsinitiativen, zudem schafft es Bewusstsein für die Herausforderungen beim Einsatz von KI in sicherheitskritischen Lösungen, indem typische Problemstellungen aus diesem Spannungsfeld aufgezeigt werden. Teilnehmer*innen lernen mögliche Strategien für den sicheren Einsatz von KI-Lösungen kennen und erproben eine Auswahl von Ansätzen, die ihnen dabei helfen, konkrete Herausforderungen zu adressieren und maßgeschneiderte Safety-Konzepte abzuleiten. Die online durchgeführte Schulung beinhaltet einen hohen Anteil an Übungen und Interaktion, um die Inhalte praxisnah zu vermitteln und den Transfer in den beruflichen Alltag zu erleichtern. Als zertifizierter »Data Scientist Specialized in Assuring Safety« wissen Sie über das Gefahren- und Innovationspotential von KI-Anwendungen im sicherheitskritischen Umfeld besitzen einen Überblick über die Grundlagen des Safety Engineerings kennt maßgebliche KI-Grundlagen aus dem Blickwickel Safety können Nutzen und Verbindlichkeit von Safety und KI-Standards einordnen kennen eine Auswahl möglicher Strategien und Maßnahmen für sichere KI können Assurance Cases, als mögliche Argumentationsgrundlage für KI-bezogene Sicherheitsnachweise, exemplarisch anwenden

Aktuelle Schätzungen gehen davon aus, dass mehr als 80 Prozent aller verfügbaren Informationen in Textform vorliegen. Grundlage moderner Textmining-Verfahren ist die Repräsentation von Wortbedeutungen durch Einbettungsvektoren, welche die Grundlage zum Verständnis eines Textes bilden. Damit können einerseits Texte analysiert werden, z.B. die Einstellung zu Marken und Produkten in sozialen Medien. Andererseits können aus einem Text neuer Inhalt generiert werden, z.B. die Zusammenfassung oder Übersetzung eines Dokuments, die Fortsetzung einer Geschichte, die Weiterführung eines Dialogs oder die Erstellung eines Bildes zu einem Text. Die Leistungsfähigkeit der Verfahren wurde in den letzten Jahren durch die Entwicklung des Transformers und der darauf basierenden Modelle BERT und GPT entscheidend verbessert. In dem Kurs wird gezeigt, wie man durch moderne Optimierungsverfahren und unter Verwendung extrem großer Trainingsdaten sehr performante Modelle mit Milliarden von Parametern trainieren kann. Für jedes Anwendungsgebiet werden Beispielmodelle mit leistungsfähigen Toolkits (TensorFlow, Pytorch, HuggingFace, etc.) in einem „virtuellen Labor“ implementiert und auf leistungsfähiger GPU-Hardware erprobt. Die Modelle werden in Jupyter Notebooks spezifiziert und können on-the-fly evaluiert und modifiziert werden. Es wird gezeigt, wie konkrete Anwendungsfälle, Geschäftsmodelle und Einsatzmöglichkeiten im Bereich der Textanalyse und -generierung umgesetzt werden können. Zudem werden die Vor- und Nachteile der einzelnen Methoden diskutiert.

Durch maschinelles Lernen (ML) können sich Robotersysteme ohne großen Konfigurationsaufwand automatisch einrichten und viele Objekte bereits ohne spezifisches Wissen über deren Geometrie robust greifen und manipulieren. Weitere Technologien ermöglichen auch die Detektion und Segmentierung von Objekten zur Interaktion in unstrukturierten Umgebungen. Zudem helfen Simulationen, tiefe neuronale Netze zu trainieren und so das zeit- und personalintensive Annotieren von Trainingsdaten zu vermeiden.

Durch die Schulung »Data Scientist Basic Level« erlangen Sie breitgefächertes Wissen, um effizient in Data Science Teams mitarbeiten zu können. Sie erfahren, wie Business Developer die Potenziale von Big Data in ihrem Unternehmen erschließen, wie Dateningenieur*innen Daten beschreiben und integrieren, wie Analyst*innen mit maschinellen Lernverfahren Muster und Trends erkennen und wie Software-Ingenieur*innen mit modernen Datenbanken und verteilten Berechnungsverfahren robuste und skalierbare Big-Data-Systeme entwickeln. All dies unter Berücksichtigung von Datenschutz und -sicherheit. Die Schulung schließt mit einer Prüfung zum Erwerb des Zertifikats »Data Scientist Basic Level« ab.

Im Kontext der Digitalisierung spielen Methoden des maschinellen Lernens eine immer größer werdende Rolle bei der Analyse von Maschinen- und Anlagendaten. Insbesondere die Konstruktion geeigneter Kennzahlen und Features sowie die fachgemäße Interpretation der Analyseresultate - z.B. im Bereich der prädiktiven Wartung - stellen eine große Herausforderung dar.

Hier lernen Fachleute mit Grundkenntnissen im Bereich Statistik und erster Programmiererfahrung wesentliche Grundlagen der modernen Datenanalyse kennen. Für die praktischen Übungen kommt die freie Software »KNIME« zum Einsatz. Die weitergehenden Möglichkeiten der statistischen Programmiersprache »Python« werden ebenfalls vorgestellt und eingeübt. Nach der Schulung sind Sie in der Lage, erste eigene Analysefragestellungen zu bearbeiten und den Nutzen von maschinellen Lernverfahren zu bewerten.

Sie lernen aktuelle Verfahren des maschinellen Lernens und des Deep Learnings kennen. Ausgehend von den Grundprinzipien des maschinellen Lernens wird die Repräsentation von Bedeutungen durch Einbettungsvektoren vorgestellt. Mit Hilfe von Self-Attention können extrem leistungsfähige kontextabhängige Einbettungen konstruiert werden, die für vielfältige Aufgaben eingesetzt werden können. Sie erhalten einen umfassenden Deep Dive in die Funktionsweise von generativen Sprachmodellen (z.B. ChatGPT) und daraus abgeleiteten Modellen zur Bilderzeugung (z.B. DALL-E). Ergänzend werden verwandte state-of-the-art Modelle zur Zeitreihenanalyse und Robotersteuerung vorgestellt.