Schulungssuche

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

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.

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.

Die Schulung »Data Scientist specialized in Trustworthy AI« vermittelt einen umfassenden Überblick über die zur Absicherung von KI-Anwendungen relevanten Handlungsfelder. Sie erfahren, wie innovative KI-Technologien auf vertrauenswürdige Weise entwickelt und angewendet werden können. Sie erhalten Einblick in die Funktionsweise vertrauenswürdiger maschineller Lernverfahren und lernen spezifische Risiken von KI-Anwendungen kennen. Im Deep-Dive in die verschiedenen Handlungsfelder für den verantwortungsvollen Einsatz von Künstlicher Intelligenz erfahren Sie, mit welchen Metriken man die Risiken messen und mit welchen Methoden man ihnen begegnen kann. Die Inhalte werden durch maßgeschneiderte Demos und Übungsaufgaben vertieft. Die Schulung schließt mit einem ausführlichen Praxis-Beispiel, an dem eine systematische Herangehensweise für vertrauenswürdige KI illustriert wird.

Diese Schulung schließt an das Angebot »Certified Data Scientist Basic Level« an und richtet sich sowohl an Fachkräfte mit Erfahrung in der Datenanalyse und Grundkenntnissen des Software Engineering als auch an erfahrene Software Engineers, deren Berufsweg sie in Kontakt mit Data Science und deren Implementation gebracht hat. In der Schulung lernen Sie Methoden und Tools zur Operationalisierung von Machine Learning-Anwendungen (»Machine Learning Operations (MLOps)«), kennen.

Diese Schulung schließt an die Angebote »Data Scientist Basic Level« und »Data Scientist Specialized in Data Analytics« an. Fachkräfte mit Programmiererfahrung und Grundkenntnissen in der Datenanalyse lernen Methoden und Tools zur Analyse von Big Data kennen. Nach der Schulung verstehen Sie, wie Analysealgorithmen für eine skalierbare Big-Data-Architektur implementiert werden und haben Beispiele für Batch- und Streaming-Verarbeitung kennengelernt. Sie lernen den Einsatz von Tools und Methoden zur Analyse von großen Datenmengen am Beispiel von Spark kennen, wobei insbesondere die Algorithmen aus Spark Machine Learning Library sowie Anbindung von Spark an Python (PySpark) vorgestellt und selbst eingeübt wird. Unter dem Thema »Deployment« wird besprochen, wie Modelle, die im Batch auf historischen Daten erstellt worden sind, auf neuen Daten schnell angewendet werden können. Des weiteren wird die Einbindung von Streaming-Systemen und Methoden der Datenanalyse unter Echtzeitanforderungen besprochen.

Werden Sie Spezialist*in für das Datenmanagement! Unsere Fraunhofer-Expert*innen vermitteln Ihnen, wie Sie mit dem Konzept des Data Lakes Daten für die Analyse zusammenführen und aufbereiten. Diese praxisorientierte und interaktive Ausbildung befähigt Sie, Entscheidungen zur Einführung und Nutzung von Data Lakes oder NoSQL-Datenbanken zu treffen.

Quanten Computing und Maschinelles Lernen sind Schlüsseltechnologien, die unsere Technologielandschaft in den kommenden Dekaden maßgeblich prägen werden, und es teilweise heute schon tun. Um auf diesen Gebieten konkurrenzfähige Resultate zu erzielen sind hochqualifizierte Experten notwendig, welche in beiden Bereichen Expertise aufweisen. Das Modul deckt Themen in der Schnittmenge aus Quantencomputing und Maschinellem Lernen ab. Es richtet sich sowohl an Personen mit Quantencomputing-Hintergrund als auch Personen mit einem Hintergrund im Bereich Data Science. Die Teilnehmenden erlangen die Fähigkeit maschinelles Lernen mit Quantencomputern erfolgreich anzuwenden. Dazu werden zahlreiche aktuelle Methoden präsentiert, die es ihnen ermöglicht, auf zukünftige Hardware-Fortschritte zu reagieren und eigenständig neue QML-Algorithmen zu entwickeln. Die vermittelten Konzepte werden mit einer Vielzahl von Fallbeispielen aus realen Anwendungen und Projekten illustriert. Ein großer Teil des Kurses dient dazu, das Erlernte mit praktischen Anwendungsbeispielen weiter zu vertiefen.

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.