Was steckt hinter maschinellem Lernen und künstlicher Intelligenz

Mai

06

10:30 – 12:00 MESZ | 9:30 – 11:00 BST

Maschinelles Lernen. Künstliche Intelligenz. Big Data. Industry 4.0.

Diese Schlagworte finden sich überall – in Zeitungen, Zeitschriften, Fernsehsendungen und Podcasts. Aber was bedeuten sie?

Die Definitionen variieren, je nachdem, wen Sie fragen. Dabei erscheinen einige der Behauptungen geradezu sensationell: Künstliche Intelligenz (KI) und maschinelles Lernen (ML) sind „dunkle Magie“, die uns durch Automatisierung bald die Arbeit wegnehmen wird. Stimmt das wirklich?

Nein. In vielen Fällen handelt es sich bei diesen Schlagwörtern lediglich um neue Namen für bewährte Programme, Ansätze und Techniken, die jedoch angepasst wurden, um die Vorteile einer höheren Datenverfügbarkeit zu nutzen. Das überwachte und unüberwachte Lernen, das den Kern des ML bildet, stützt sich zum Beispiel auf bewährte statistische Modellierungstechniken: Regression, Klassifizierung und Clustering.

Wir bieten eine Präsentation und Podiumsdiskussion zu diesen Themen an. Profitieren Sie von Orientierungshilfen und Erfahrungsberichten darüber, wie Sie ML-Techniken einführen oder sie effektiv in bestehende Programme integrieren können, um das Beste aus Ihren Daten zu machen und mehr Wert für Ihr Unternehmen zu schaffen.

Keynote

David Hand

David J. Hand

Senior Research Investigator und emeritierter Professor für Mathematik, Imperial College London

David Hand, PhD, ist Fellow der British Academy und hat die Guy Medal der Royal Statistical Society erhalten. Er war zwei Amtszeiten lang Präsident der Royal Statistical Society und ist Autor von „The Improbability Principle“ (Die Macht des Unwahrscheinlichen) sowie „Dark Data“. 2013 erhielt Hand die Auszeichnung „OBE“ für seine Leistungen im Bereich Forschung und Innovation.

Podiumsdiskussion

Die Erstellung nützlicher Modelle mithilfe von Daten war schon immer entscheidend für Unternehmen, die durch Innovation wettbewerbsfähig sein wollen. Aufgrund von Industrie 4.0, Big Data und Digitalisierungsinitiativen haben Sie heute mehr komplexe Daten als je zuvor. Im Rahmen einer Diskussion mit Podiumsteilnehmern, die eine Vielzahl von Perspektiven teilen werden, hören Sie Beispiele von Spitzenunternehmen, die Probleme schneller lösen und Innovationen effektiver vorantreiben.

Sie lernen:

Daten sind chaotisch. Und wenn das Ziel der Modellierung darin besteht, das Verständnis zu verbessern, anstatt einfach nur Vorhersagen zu treffen, müssen Sie auch wissen, was die Daten darstellen. Bevor Sie ein nützliches Modell erstellen können, müssen Sie wissen, wie Sie unsaubere Daten bereinigen und sie für die Analyse aufbereiten. Außerdem müssen Sie Ihre Ergebnisse kommunizieren und weitergeben, um entsprechende Maßnahmen zu ergreifen. Die Beherrschung von ML-Techniken ist also nur eine Komponente, um Probleme schneller zu lösen und Innovationen effektiver voranzutreiben.

Sie gewinnen dabei ein besseres Verständnis der folgenden Faktoren:

 
  • Der Lebenszyklus eines empirischen Modells, von den Daten bis zur Bereitstellung.
  • Die verschiedenen Arten von empirischen Modellen, ihre Struktur, Stärken und Schwächen.
  • Gängige Verfahren und Modelle aus dem Bereich maschinelles Lernen und deren Beziehung zu empirischen Modellen.
  • Best Practices für eine rasche Erstellung von Vorhersage- oder Erklärungsmodellen.
  • Wie man Initiativen für maschinelles Lernen ins Leben rufen oder sie in bestehende Programme einbinden kann.
  • Was automatisiert werden sollte – und was nicht.

Meet the Speakers

Back to Top