Am 22. und 23. November 2023 findet in Nürnberg der KI Navigator – die Konferenz zur Praxis der KI in IT, Wirtschaft und Gesellschaft – statt. Lars Röwekamp und Tim Wüllner sind mit drei Vorträgen vor Ort.
Jetzt Ticket sichern und dabei sein.
Künstliche Intelligenz und Machine Learning sind die Zukunft, da scheinen sich alle einig. Nicht wenige prognostizieren, dass man spätestens in fünf Jahren ohne AI/ML keine Chance mehr haben wird, gegen seine Mitbewerber zu bestehen. FOMA – fear of missing out – macht sich breit und jeder möchte dabei sein. Je eher, desto besser! Aber wie findet man eine wirklich (r)evolutionäre Idee? Und wie bewertet man diese in Hinblick auf Chancen und Risiko? Die Antwort auf diese und viele weitere Fragen liefert eine Methodik namens AI Ideation.
Die Frage ist nicht, ob AI/ML im eigenen Unternehmenskontext eingesetzt werden sollte, sondern wo und wie? Lässt man einmal den Hype und die aktuell aufkommende Euphorie ausser acht, gilt es, die eigenen "Pain Points" zu identifizieren und zu analysieren und auf dieser Basis diejenigen Anwendungsfälle herauszukristallisieren, für die sich das besten Chancen-Riskio-Verhältniss ergibt. Genau das macht AI Ideation. Im Rahmen der Session werden wir einen AI Ideation Prozess von Anfang bis Ende durchspielen und so vom Brainstorming zu bewerteten AI/M-Anwendungsfällen kommen.
Das Aufgabenumfeld klassischer Verlagshäuser hat sich in den vergangenen Jahren stark gewandelt. Gedruckte Zeitungen sind nur noch einer von vielen Kanälen, die es mit Artikeln und Bildern zu bespielen gilt. Je nach Kanal sind für Artikel dabei unterschiedliche Längen, Überschriften, Teaser-Texte, Prioritäten oder Slangs gefragt. Und auch in der Welt der Bilder gilt es - kanalspezifisch -, das geeignete Format zu generieren und Inhalte, wie konkrete Personen, Orte und Situationen automatisch zu erkennen und für eine spätere Verlinkung zu taggen. All das ist ohne eine intelligente Digitalisierung, sprich KI, kaum mehr realisierbar.Wie aber setzt man KI im Verlagsumfeld konkret ein, ohne dabei die journalistische Neutralität und Glaubwürdigkeit zu riskieren? Wie lassen sich z. B. Texte kürzen, ohne an Semantik und Qualität zu verlieren?
Wie hilft KI bei der automatischen Klassifizierung und genormten Verschlagwortung von Artikeln? Welche Informationen kann KI aus Bildmaterial ziehen und wie können diese Informationen zur Steigerung der Qualität genutzt werden?
Die Session zeigt anhand ausgewählter Use-Cases, wie KI in der Verlagssoftware der HUP dazu genutzt wird, den Herausforderungen moderner Verlagshäuser in der Praxis gerecht zu werden. Teil der Betrachtung sind dabei auch die Bereiche, in denen bewusst auf eine vollständige Automatisierung verzichtet wurde und der Mensch weiterhin die entscheidende Rolle spielt: Keep the Human in the Loop!
Machine Learning nutzen wir meist dann, wenn Fragestellungen zu komplex sind, um sie mit einen simplen Regelsatz beantworten zu können. In diesem Fall trainieren wir Modelle, die komplexe Zusammenhänge in Daten erlernen und darauf basierend Entscheidungen treffen. Nun existieren zwar Antworten auf unsere Fragen, dennoch bleibt der Wunsch zu verstehen, wie das Modell zu dieser Antwort gelangt ist. Sei es, um das Vertrauen in die KI-Lösung zu steigern, Fehler im Modell zu finden, oder besonders kritische Probleme wie die Diskriminierung von Minderheiten zu erkennen, bevor das Modell produktiv eingesetzt wird.
Explainable AI (XAI) ist ein noch recht junges Gebiet innerhalb des Machine Learnings, das diese Herausforderungen bewältigen kann. Hierfür liefert es Methoden, welche sogar die Entscheidungsfindung komplexer Neuronaler Netze nachvollziehbarer machen können. In diesem Vortrag werde ich zeigen, welche XAI-Methoden genutzt werden können, um beispielsweise Diskriminierungen bei der Kreditvergabe, beim Recruiting oder in der Erkennung von Emotionen zu erkennen und wo die Grenzen dieser Methoden liegen.
