AI Brekkie

Webinarreihe / 24. April 2024 - 18. Dezember 2024, 10.00 Uhr bis 10.30 Uhr

CCI-Veranstaltung »KI-Brekkie«

Künstliche Intelligenz (KI) ist eine nahezu omnipräsente Technologie, die – richtig eingesetzt – für zahlreiche Branchen viele Potenziale birgt. Allerdings mangelt es in Unternehmen oft an Kapazitäten, um sich einen Überblick über Möglichkeiten und Trends rund um KI zu verschaffen. Genau hier setzt die Abteilung »Cyber Cognitive Intelligence« mit ihrer Webinar-Reihe »KI-Brekkie« an. Ein »Brekkie« bezeichnet umgangssprachlich im Englischen die erste Mahlzeit am Tag, also meist das Frühstück. Ganz in diesem Sinne möchte die Webinar-Reihe der erste »Wissenshappen« des Tages rund um KI sein. In Abständen von ca. vier Wochen wird in einem kurzen Impulsvortrag ein aktuelles Thema, Projekt oder eine Technologie vorgestellt. Nach diesem Vortrag gibt es die Möglichkeit, Fragen zu stellen und sich auszutauschen. Die Teilnehmer können sich für eine oder mehrere Veranstaltungen gleichzeitig anmelden.

Inhalte

Computing
Algorithmen
Paradigmen
Anwendungsfälle
Technische Neuerungen
Theorie

Zielgruppe

Eingeladen sind alle, die sich für das Thema KI interessieren. Anhand des Vortragstitels ist ersichtlich, ob es sich um einen branchenbezogenen Vortrag handelt oder eine generelle Einführung in ein Thema oder eine bestimmte Technologie und auch, auf welchem Wissensniveau dieser in etwa einzuordnen ist.

Nutzen für die Teilnehmer

Mit den 30minütigen Webinaren alle vier Wochen bietet das Fraunhofer IPA ein kompaktes Format an, das nur sehr wenig Zeit und Aufwand aufseiten der Teilnehmer erfordert. Das Ziel ist es, einen ersten Einstieg in ein KI-bezogenes Thema zu erhalten. Basierend darauf können die Teilnehmer entscheiden, ob und wenn ja inwiefern die Inhalte des Vortrags lohnenswert für ihr Unternehmen sein können, sodass eine vertiefende Auseinandersetzung sinnvoll wäre. Auch für diesen zweiten Schritt nach dem Webinar stehen die KI-Experten gerne als Ansprechpartner zur Verfügung.

Agenda

ab 10:00 Uhr
Begrüßung + Einleitung

10:05 Uhr
Vortrag

10:30 Uhr
Ende

Veranstaltungsdetails

Kosten

kostenfrei

Veranstaltungsort

online

Datum

24. April 2024 - 18. Dezember 2024, 10.00 Uhr bis 10.30 Uhr

Reiternavigation

Alle ausklappen Alle einklappen

Webinartermine

Die Veranstaltungen sind anhand eines Ampelsystems in verschiedene Schwierigkeitsstufen eingeteilt.

Grün = Grundlagenvortrag über Themen die kein Vorwissen voraussetzen.
Gelb = Fachvortrag der Grundlagenwissen voraussetzt.
Rot = Fachvortrag, für den vertiefendes Wissen vorhanden sein muss.

24. April 2024 | .ics-Datei
Generative AI evaluates Generative AI – An Introduction to Model-graded evaluations

Jannik Schwab, Fraunhofer IPA

Automated testing and benchmarking of machine learning models for regression or classification tasks are well-established processes with formal metrics for comparison. However, the same cannot be said for Generative AI, where assessing output quality is challenging due to its subjective nature. Generative AIs can produce diverse outputs like images, videos, text and music based on a wide variety of user prompts. Although generic benchmarks exist for Language Model Models (LLMs), evaluating generative models remains a challenge. This Brekkie introduces one possible solution called Model-graded evaluations to address this issue, providing insights into the approach and its potential use cases.

29. Mai 2024 | .ics-Datei
Informed Machine Learning

Christopher Braun, Fraunhofer IPA

A take on how emedding prior knowledge into a machine learning algorithms enables improving its performance. Giving an introduction about which sources and types of representations are commonly adopted and how (where w.r.t. the machine learning pipeline) prior knowledge can be integrated.

19. Juni 2024 | .ics-Datei
How to deal with unbalanced datasets?

Emil Andreas, Fraunhofer IPA

Many industrial applications of machine learning based classification are haunted by heavily unbalanced distributions of classes. How can we deal with this situation?

24. Juli 2024 | .ics-Datei
Robot-assisted manipulation of flexible components in the production of electric vehicles

Alper Yaman, Fraunhofer IPA

Flexible components such as cables and cable harnesses play a key role in the production of electric vehicles. However, they cannot be handled automatically due to a lack of robust processes. The »RoboCable« project researches new AI methods for robot-assisted handling and manipulation of flexible components.

In our approach, robots learn tasks virtually in the simulation environment and from real sensor data. The sensors enable autonomous execution of learned assembly activities. Despite the variability of flexible components and process uncertainties, new assembly tasks can be learned in simulation, allowing existing tasks to continue without interruption, thereby minimizing programming and downtime. RoboCable also facilitates the use of lightweight robots, alongside traditional industrial robots.

18. September 2024 | .ics-Datei
TheoMation: Informiertes Maschinelles Lernen im Bereich Prognostics and Health Management

Julian Raible, Fraunhofer IPA

Moderne Instandhaltungsstrategien nutzen zunehmend maschinelle Lernverfahren zur Diagnose und Prognose des Degradationszustands technischer Systeme. Um diese Verfahren hinsichtlich Robustheit, Dateneffizienz und Extrapolationsfähigkeit zu optimieren, werden im Projekt »TheoMation« anwendungsübergreifende Gesetzmäßigkeiten in Degradationsprozessen identifiziert. Diese Gesetzmäßigkeiten dienen wiederum als Grundlage zur Integration in maschinelle Lernverfahren.

16. Oktober 2024 | .ics-Datei
KI basierte Produktionsplanung und -steuerung mittels Planaufträgen

Alexander Baust, Fraunhofer IPA

20. November 2024 | .ics-Datei
Was gehört zu einem KI-Vorhaben? Von der Datenvorverarbeitung bis zur Erklärbarkeit

Mara Isabel Kläb, Fraunhofer IPA

Welche Schritte gehören zur Entwicklung einer KI-Anwendung? Der »Data Science Track« bietet Einblicke in den Prozess. Von der Datenvorverarbeitung, über die Auswahl des KI-Modells und dem Training, bis zur Erklärbarkeit. Am Beispiel des Use Case »Klassifikation von Stahlplatten« werden die verschiedenen Stationen anschaulich dargestellt.

18. Dezember 2024 | .ics-Datei
Robustes Machine Learning

Max-Lion Schumacher, Fraunhofer IPA

In diesem Vortrag geht es um die Frage, ob Machine Learning Modelle robust sind und wie man dies nachweisen kann.

Zudem wird erläutert, welche Möglichkeiten es gibt, diese Modelle robust zu gestalten.

Vergangene Webinartermine

20. März 2024
Generative KI in der industriellen Anwendung

Christof Nitsche, Fraunhofer IPA

In diesem Brekkie wird der Einsatz moderner KI-Systeme wie ChatGPT in der Industrie beleuchtet. Es wird aufgezeigt, wie diese Technologien Prozesse automatisieren, Effizienz steigern und innovative Lösungen ermöglichen. Anhand konkreter Beispiele aus der Fertigung, Logistik und Produktentwicklung werden die Vorteile und Herausforderungen der digitalen Transformation erörtert. Abschließend wird ein Ausblick auf zukünftige Entwicklungen und Potenziale generativer KI in der Industrie gegeben.

21. Februar 2024 | .ics-Datei
Causal Learning in der Produktion

Christoph Hennebold, Fraunhofer IPA

Das Lernen und Analysieren kausaler Zusammenhänge in Prozessen bietet Anwendern eine Vielzahl an Möglichkeiten. So lassen sich beispielsweise Ursachen-Wirkzusammenhänge modellieren, was Modelle robuster gegenüber Veränderungen und Störungen macht. Außerdem sind kausale Verfahren gegenüber traditionellen Machine Learning Ansätzen dateneffizienter, besser interpretierbar und in der Lage, über das Gelernte hinaus besser auf unbekannte Szenarien zu reagieren. In dem Vortrag wird anhand realer Prozessdaten ein Blick auf die Fähigkeit zur Fehlerursachenerkennung kausaler Ansätze geworfen. Zudem wird gezeigt, wie diese sich zur Anwendung in der Produktion eignen.

20. Dezember 2023
Explainable AI (XAI)

Benjamin Fresz, Fraunhofer IPA

Ein großes Hindernis für den produktiven Einsatz von KI stellt die fehlende Erklärbarkeit von KI-Modellen dar. Diese führt zu fehlendem Vertrauen in Entscheidungen und Schwierigkeiten beim Debugging von solchen Systemen. Deshalb fordern Gesetzesentwürfe wie der AI Act für KI-Systeme Transparenz, wozu meist auch Erklärbarkeit gehört.

In diesem Vortrag wird das Thema Erklärbarkeit von KI generell eingeführt und auf hoher Flugebene Verfahrenstypen beschrieben, die bisher für die Erklärbarkeit von KI-Systemen eingesetzt werden können.

22. November 2023
AutoML

Marc Zöller, USU Software AG

Dieser Vortrag bietet eine kurze Einführung in Automated Machine Learning (AutoML). AutoML ist ein Verfahren, das die Erstellung und Optimierung von Modellen für Maschinelles Lernen automatisiert. Somit sind weniger manuelle Eingriffe und technisches Fachwissen nötig, sodass auch Einsteiger Maschinelles Lernen effektiv nutzen können. AutoML rationalisiert die Modellentwicklung, was zu einer schnelleren und effizienteren Modellerstellung führt.

18. Oktober 2023
XAI für Modelle zur Klassifikation von Chest X-Rays

Lena Lörcher, Fraunhofer IPA

Erklärbarkeit ist einer der Schlüssel für die Anwendung von Machine-Learning-Algorithmen in sicherheitsrelevanten Bereichen, wie zum Beispiel bei der Diagnoseunterstützung in der Medizin. In diesem Vortrag werden verschiedene Heatmap-Methoden beispielhaft anhand der Klassifikation von Lungenröntgenbildern betrachtet und entsprechende Aussagen über die gelernten Modelle abgeleitet.

20. September 2023
Quantum Machine Learning

Frederic Rapp, Fraunhofer IPA

Quantum Machine Learning (QML) ist eine aufstrebende Disziplin, die die Eigenschaften der Quantenphysik nutzt, um Herausforderungen im Bereich Machine Learning und Künstlicher Intelligenz zu lösen. QML bietet hier einige interessante Vorteile gegenüber klassischen Machine-Learning-Methoden. In diesem Vortrag erläutern wir die Funktionsweise sowie Potenziale und Herausforderungen dieses Ansatzes.

19. Juli 2023
KI-Hardware

Timo Leitritz, Fraunhofer IPA

KI ermöglicht intelligente Systeme und löst komplexe Probleme in unterschiedlichsten Branchen. Allerdings sind bisherige industrielle Rechnersysteme nur begrenzt für KI-Anwendungen geeignet. Dieser Vortrag gibt einen Einblick in die Potenziale und Herausforderungen von spezialisierten Hardwarelösungen wie GPUs und TPUs, die KI-Anwendungen signifikant beschleunigen und dadurch effizienter gestalten können.

21. Juni 2023
FabOS von der Theorie in die Praxis

Christoph Hennebold, Fraunhofer IPA

Das Projekt »FabOS« verspricht nicht weniger als die Digitalisierung der gesamten Produktion. Ein wichtiger Baustein dabei sind digitalisierte Prozesse und Dienste, die z. B. mit Werkzeugmaschinen interagieren und zusätzliche Funktionalität bereitstellen. Dieser Vortrag stellt vor, wie Unternehmen einige der in FabOS entwickelten Dienste nutzen können und welche Vorteile sich daraus ergeben.

24. Mai 2023
Deep Reinforcement Learning in Industrial Robots: Safety and Efficiency

Xinyang Wu, Fraunhofer IPA

In der Praxis sind die Sicherheit bei Anwendungen mit Mensch-Roboter-Kollaboration und die Lerneffizienz oft ein Engpass für die Anwendung von Künstlicher Intelligenz in Robotersystemen. Am Fraunhofer IPA wird deshalb durch Deep Reinforcement Learning und Bayes’sche Neuronale Netze ein simulationsbasiertes lernendes System zur automatisierten, sicheren und effizienten Steuerung und Regelung in Robotersystemen entwickelt.

26. April 2023
EU AI Act

Danilo Brajovic, Fraunhofer IPA

Die Europäische Union hat mit dem AI Act einen Vorschlag erarbeitet, wie der Einsatz von Künstlicher Intelligenz in der Union geregelt werden kann.

Der AI Act wird voraussichtlich erst 2024 in Kraft treten, aber dennoch ist eine frühzeitige Auseinandersetzung damit sinnvoll, um dessen Implikationen auf KI-Anwendungen in Unternehmen früh genug zu kennen und ggf. darauf reagieren zu können.

22. März 2023
Sicherheit und Unsicherheit von KI-Entscheidungen: Das Kalman Bayesian Neural Network

Philipp Wagner, Fraunhofer IPA

Klassische tiefe neuronale Netze sind häufig zu sicher in ihren Entscheidungen, selbst bei unzureichender Datenlage. Bayes‘sche Verfahren, wie das Kalman Bayesian Neural Network, versuchen, Wahrscheinlichkeitsaussagen über Vorhersagen der KI zu treffen und die Netze somit zuverlässiger und robuster zu designen.

22. Februar 2023
Inverse Reinforcement Learning

Lena Lörcher, Fraunhofer IPA

Beim Inverse Reinforcement Learning geht es um das Lernen der Zielsetzung (Reward) eines Agenten, indem sein Verhalten beobachtet wird. Gleichzeitig soll eine optimale Strategie zu dieser Zielsetzung gelernt werden. Der Vortrag bietet eine kurze Einführung ins Thema und dessen Anwendungsgebiete.

25. Januar 2023
Einführung in Quantencomputing

Dr. rer. nat. Marco Roth, Fraunhofer IPA

Quantencomputer versprechen signifikante Geschwindigkeitsvorteile gegenüber herkömmlichen Computern. In diesem Vortrag klären wir, was das genau bedeutet und ob wir zukünftig alle ein solches Gerät in unseren Wohnzimmern stehen haben werden.

21. Dezember 2022
Kalman-Bucy-Informed Neural Networks zur Systemidentifikation

Tobias Heinrich Nagel, Fraunhofer IPA

Es wird eine neue Methode vorgestellt, wie mithilfe Künstlicher Intelligenz interpretierbar Parameter in dynamischen Systemen identifiziert werden können. Dabei stehen dem Anwender lediglich eine Systemgleichung mit unbekannten Parametern sowie verrauschte Messdaten zur Verfügung.

23. November 2022
XAI Einführung

Prof. Dr.-Ing. Marco Huber, Fraunhofer IPA

KI gilt oftmals als Black-Box, deren Entscheidungen nicht immer nachvollziehbar sind. In dieser Veranstaltung geht es daher um eine Einführung in verschiedene Strategien, wie Modelle und deren Entscheidungen für den Anwender wieder verständlich gemacht werden können.

Webinarreihe / 24. April 2024 - 18. Dezember 2024, 10.00 Uhr bis 10.30 Uhr

CCI-Veranstaltung »KI-Brekkie«

Inhalte

Zielgruppe

Nutzen für die Teilnehmer

Agenda

Veranstaltungsdetails

Kosten

Veranstaltungsort

Reiternavigation

Webinartermine

24. April 2024 | .ics-Datei Generative AI evaluates Generative AI – An Introduction to Model-graded evaluations

29. Mai 2024 | .ics-Datei Informed Machine Learning

19. Juni 2024 | .ics-Datei How to deal with unbalanced datasets?

24. Juli 2024 | .ics-Datei Robot-assisted manipulation of flexible components in the production of electric vehicles

18. September 2024 | .ics-Datei TheoMation: Informiertes Maschinelles Lernen im Bereich Prognostics and Health Management

16. Oktober 2024 | .ics-Datei KI basierte Produktionsplanung und -steuerung mittels Planaufträgen

20. November 2024 | .ics-Datei Was gehört zu einem KI-Vorhaben? Von der Datenvorverarbeitung bis zur Erklärbarkeit

18. Dezember 2024 | .ics-Datei Robustes Machine Learning

Vergangene Webinartermine

20. März 2024 Generative KI in der industriellen Anwendung

21. Februar 2024 | .ics-Datei Causal Learning in der Produktion

20. Dezember 2023 Explainable AI (XAI)

22. November 2023 AutoML

18. Oktober 2023 XAI für Modelle zur Klassifikation von Chest X-Rays

20. September 2023 Quantum Machine Learning

19. Juli 2023 KI-Hardware

21. Juni 2023 FabOS von der Theorie in die Praxis

24. Mai 2023 Deep Reinforcement Learning in Industrial Robots: Safety and Efficiency

26. April 2023 EU AI Act

22. März 2023 Sicherheit und Unsicherheit von KI-Entscheidungen: Das Kalman Bayesian Neural Network

22. Februar 2023 Inverse Reinforcement Learning

25. Januar 2023 Einführung in Quantencomputing

21. Dezember 2022 Kalman-Bucy-Informed Neural Networks zur Systemidentifikation

23. November 2022 XAI Einführung