Schulungssuche

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.

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.

Daten sind der Rohstoff der Zukunft, wobei die Qualität der Daten maßgeblich das Ergebnis einer jeden Analyse beeinflusst – egal ob in Form von Bildern oder Tabellen. Dies gilt für klassische Data-Mining-Prozesse und neueste Methoden der künstlichen Intelligenz gleichermaßen. Hochwertige Daten bieten Unternehmen einen klaren Mehrwert und Wettbewerbsvorteil. In diesem Seminar lernen Analysten, Entwickler und Domänenexperten aus unterschiedlichen Fachrichtungen (Produktion, Finanzwesen, Pharmazie, u.a.) die wichtigsten Verfahren zur Beurteilung und Verbesserung der Datenqualität für Projekte mit dem Themenschwerpunkt der Datenanalyse. Reale Daten enthalten oftmals vielfältige kleine Fehler, welche negative Auswirkungen auf eine Analyse haben können. Damit Sie das Potenzial Ihrer Daten voll ausschöpfen können, vermittelt dieses Seminar umfassend die wesentlichen Grundlagen der modernen Datenvorverarbeitung für sowohl tabellarische als auch Bilddaten. Praxisbezogen und interaktiv werden die Schulungsinhalte in kleinen Aufgaben angewandt: anhand von Anwendungsfällen und Datensätzen aus der Computerchipherstellung und der Qualitätskontrolle von Solarpanelen setzen Sie die erlernte Theorie mit Python praktisch um. Nach dem Besuch dieser Schulung sind Sie in der Lage, die Datenvorverarbeitungen in Ihrem Alltag strukturiert und effizient durchzuführen und Ihre Daten besser für Data Science-Projekte zu nutzen.

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.

Bilder enthalten reiche Information, die aber auch kompliziert zu extrahieren ist. Meist liegen wenig Metadaten vor und erst der Kontext liefert Hinweise auf die Bedeutung. Daraus ergeben sich spezifische Schwierigkeiten, Modelle des Bildverstehens zu lernen. Ausgehend von Methoden des überwachten Lernens lernen Sie auch Verfahren kennen, die mit wenigen Trainingsbeispielen auskommen und erfahren, wie man unbalancierten Trainingsdaten umgehen kann. Die Vorerfahrungen und praktischen Erfordernisse der Teilnehmer*innen können bei der konkreten Themenauswahl berücksichtigt werden. Die Schulung schließt an Tag 3 mit einer 1-stündigen Prüfung ab, durch die die Teilnehmenden ein Micro-Zertifikat erwerben.

Die zweitägige Schulung Kompakteinstieg »Maschinelles Lernen in der Produktion« soll Ihnen einen Überblick über Anwendungsmöglichkeiten, Projektphasen von der Datenaufnahme bis zur Modellierung sowie die Zusammenarbeit innerhalb eines Projekts geben. Im Rahmen eines Mini-Workshops können abschließend die ersten Grundlagen für Ihre Use Cases entwickelt werden. Nach Abschluss der Schulung erhalten Sie eine Teilnahmebescheinigung.

Sie erlernen in diesem Modul wie Sie generative KI-Modelle verschiedener Größe auf Maschinen vom eigenen Laptop bis hin zu leistungsfähigen GPU-Rechnern bereitstellen. Neben den technischen Voraussetzungen werden auch die organisatorischen Aspekte thematisiert, die für eine zweckmäßige und kosten-effiziente Bereitstellung im Unternehmens-Kontext erforderlich sind. Hierbei profitieren Sie von unserer langjährigen Projekterfahrung in internen und Kundenprojekten. Im ersten Teil des Moduls werden die notwendigen Hintergründe vermittelt und Entscheidungshilfen im Hinblick auf den in-house (on-premises) Betrieb von Sprachmodellen im Unternehmen gegeben. Im zweiten Teil wird in Form einer Hands-on Session das zugehörige technische Know-how vermittelt.

In the 1990s, Shor's quantum algorithm demonstrated an exponential speed-up over classical algorithms for factoring large numbers. The development of quantum computing is making great progress and there is a need to learn how to take advantage of quantum computing. This course, which is organized by the Fraunhofer institutes FOKUS and ITWM, you will learn the basics of quantum computing, including its most important algorithms. The concepts taught are illustrated with several case studies from real applications and projects. A large part of the course is used to further consolidate what has been learned with practical application examples.

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.

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.