PROGRAMM 2020

Bitte beachten Sie, dass wir uns aufgrund der Verschiebung aktuell in enger Abstimmung mit den Referenten/Innen der AI4U 2020 befinden. Nähere Informationen zum Programm finden Sie hier in Kürze. Bis dahin sind Änderungen vorbehalten.

Expand All +

  • 22.06.2020 - Montag


  • 23.06.2020 - Dienstag


  • 24.06.2020 - Mittwoch


  • Die Frage, ob Daten personenbezogen oder anonym sind, ist eine wegweisende Frage im Zusammenhang mit der Anwendbarkeit der Datenschutzgrundverordnung („DSGVO“). Mit dem Personenbezug steht und fällt die Anwendbarkeit der DSGVO – ohne Personenbezug ist sie nicht anwendbar. Anonymisierte Daten im Sinne der DSGVO sind nicht personenbezogen. Die Frage, ob personenbezogene Daten wirklich anonym sind, ist nicht nur eine technische Frage, sondern vor dem Hintergrund der DSGVO auch eine rechtliche. Nach der DSGVO sollen alle „Mittel“ berücksichtigt werden, die von dem Datenverarbeiter „nach allgemeinem Ermessen wahrscheinlich genutzt werden, um eine natürliche Person direkt oder indirekt zu identifizieren“. Die Prozesse der Datengenerierung in der Praxis sowie die entsprechenden Anonymisierungstätigkeiten berücksichtigen diese Wertungen häufig nicht. Es ist auch fraglich, welche Maßnahmen implementiert werden müssen, um diese Voraussetzungen zu erfüllen. Der Vortrag erläutert hierzu zunächst den typischey Entwicklungsprozess einer "Connected Car"-KI und beleuchtet dabei Besonderheiten beim Einsatz von Sensordaten und Trainingsdaten. Sodann wird der Prozess der Anonymisierung beschrieben und dieser sodann unter Berücksichtigung der datenschutzrechtlichen Anforderungen der Anonymisierung beleuchtet. Hierbei wird insbesondere auch auf Fallkonstellationen eingegangen, in denen Foto- und Videodaten erhoben werden und welche besonderen Auswirkungen dies auf die Persönlichkeitsrechte von Betroffenen haben kann.
    Trends (Track 1)
    Where
    Studio E/F

  • Analytische Anwendungen sollen in der Regel Antworten auf mehrere Fragen finden. Die verschiedenen Zielgrößen zu ermitteln, erfordert häufig mehrstufige, sequenzielle Analysen mit unterschiedlichen Modellen. Was aber, wenn die Ergebnisse der ersten Analyse eine zu große Varianz aufweisen? Oder nicht alle Parameter, die eigentlich für die nachfolgende Analyse erforderlich wären, überhaupt erfasst und weitergegeben werden? Ein Beispiel dafür ist die Analyse von Gebäudeschäden anhand von Fotografien. Ein erstes Modell A erkennt auf mehreren Fotografien, welche Teile der Fassade betroffen und wie schwer diese beschädigt sind. Ein zweites Modell B soll ermitteln, wie und mit welchem Aufwand die Schäden behoben werden können. Diese Auswertung basiert auf dem vorher ermittelten Schweregrad und wird schnell zu einem Information Bottleneck: Unter Umständen fehlen auf den Fotografien notwendige Details, eine Schadensart erfordert bei unterschiedlichen Materialien eine eigene Behandlung, oder es sind mehrere Schadensarten gleichzeitig aufgetreten. Die Folge: Der Handlungsspielraum beim Verbessern der Modelle wird eingeschränkt, Fehlerraten steigen, die Operationalisierung und Verwaltung der Modelle wird deutlich aufwendiger und es entstehen zeitraubende Diskussionen zwischen Kooperationspartnern. Das Problem existiert auch für OCR-Schnittstellen, die Informationen über Kontext und Struktur eines Scans beim Übersetzen verlieren. Die Praxis zeigt: Solche Information Bottlenecks entstehen und dürfen keinesfalls vernachlässigt werden. Der Vortrag zeigt verschiedene Ausprägungen von Information Bottlenecks auf, bewertet diese und erläutert Methoden und Innovationen, diese zu vermeiden.
    Use Cases (Track 2)
    Where
    E 218

  • Künstliche Intelligenz weckt bei vielen Menschen Ängste. Die genutzten Algorithmen und Modelle bilden oftmals Blackboxes. Wie können intransparente oder als unethisch empfundene Ergebnisse verhindert werden? Wie sind gesellschaftliche und soziale Werte in KI integrierbar? In Politik, Wissenschaft, Wirtschaft und Gesellschaft wird der Ruf nach ethischen Leitlinien immer lauter. Erste Initiativen und Regelwerke beschränken sich jedoch meist auf wenige, allgemein formulierte Grundsätze. Konkrete Methoden, Tools und Arbeitshilfen für die Implementierung in Unternehmen fehlen. In diesem Vortrag wird eine neu entwickelte Gesamtkonzeption von der Ableitung der ethischen Anforderungen über die Strategieentwicklung bis zur konkreten Umsetzung vorgestellt. Die Toolbox umfasst u.a. einen Ethik-Canvas, interaktive Formate für die Entwicklung von Leitlinien, ein Lifecycle-Modell und Workbooks mit Leitfragen, Bewertungsskalen und Mikromethoden.
    Trends (Track 1)
    Where
    Studio E/F

  • Was wäre, wenn eine Virtual-Reality-Brille in Echtzeit Ihre Umwelt in ein riesiges räumliches Gemälde verwandeln könnte und alles im Stil eines Kunstwerkes von z.B. Van Gogh erscheinen würde? Eine der vielen spannenden Entwicklungen im Bereich der künstlichen Intelligenz ist der sogenannte "Style Transfer". Darunter versteht man die Möglichkeit, eine Art Patchwork (vgl. Pastiche) aus zwei Bildern zu erzeugen. Ein Bild ist dabei die künstlerische Stilvorlage, während das andere den eigentlichen zu transformierenden Inhalt darstellt. Dem TNG Hardware-Hacking-Team ist es gelungen unter Anwendung von u.a. OpenCV und TensorFlow eine derartige Brille zu entwickeln. Mittels dieser erscheint die Umwelt dann im Stil von berühmten Malern wie z.B. Claude Monet oder Pablo Picasso. In diesem Vortrag erhalten Sie eine Einführung in die Welt des Realtime Style Transfers. Dabei wird insbesondere auf die Techniken im Bereich des Deep Learning eingegangen, die bei dieser Anwendung zum Einsatz kommen.
    Use Cases (Track 2)
    Where
    E 218

  • Seit den letzten Jahren erleben wir einen immer stärker steigenden Einsatz von Computer Vision in den verschiedensten Bereichen. Die Bandbreite an Anwendungsfällen scheint fast grenzenlos. In der praktischen Umsetzung sehen wir aber doch gewisse Schranken. Ein Hauptproblem ist, dass sich die meisten Computer Vision Modelle nur mithilfe von ausreichend Trainingsbildern trainieren lassen. Dabei zählt vor allem deren Varianz, das heißt: "zeigen meine Trainingsbilder eine möglichst große Bandbreite an Realität". Bei vielen potenziellen Anwendungsfällen liegt genau hier die Hürde, um die Idee zum Fliegen zu bringen. Dabei lässt sich die Hürde umgehen - und zwar natürlich mithilfe von AI. Im Vortrag sprechen wir zum einen darüber wie sich durch den Einsatz von GANs Trainingsbilder künstlich erzeugen lassen, zum anderen wie wir durch die Nutzung von CAD-Daten gänzlich auf das Sammeln von Bildern verzichten können. Durch GANs lassen sich bereits aus einer geringen Anzahl von Bildern fotorealistisch künstliche Bilder erzeugen, die eine große Bandbreite an Varianz abdecken. Dieser Prozess lässt sich in vielen Fällen sogar automatisieren. Dieser Prozess kann komplementär zur klassischen Image Augmentation genutzt werden, erzeugt aber eine andere Art von Varianz. Sollten zudem CAD-Daten des wiederzuerkennden Objekts vorhanden sein, geht das Ganze noch ein Stück weiter. Denn dann kann bereits ein Computer Vision - Modell trainiert werden, obwohl das Objekt womöglich noch gar nicht real existiert. Dabei kann man aus den 3D-Modellen bereits fotorealistische Bilder des Objekts erzeugen und damit ein Modell anlernen. Durch die Kombination des Renderings und von GANs lassen sich täuschend echte Abbildungen der Zielobjekte generieren. Sind die Abbildung so realistisch, dass ein Mensch sie nicht von echten unterscheiden kann, sind sie auch gutes Trainingsmaterial für die Computer Vision Modelle. Durch diese Technik lassen sich Anwendungsfälle abbilden, die bisher aufgrund zu geringem Bildmaterial unmöglich waren.
    Use Cases (Track 2)
    Where
    E 218

  • The travel expense appraisal process is at the operational heart of any professional services firm, and relevant to many other large organisations. To put the importance of this process into perspective – alone, each of the Big 4 professional services firms employ more than 200,000 employees, most of which are travelling on a daily basis to provide their clients with a personal on-site advisory service and they're submitting an overwhelming number of expenses every day. Any issues arising in this process will have detrimental effects on daily operations, and, because of the sheer volume of new expense reports being submitted daily, blockages in this process could very easily create an insurmountable backlog. In the example covered in this talk, this process was executed by 20 FTEs in the GSA region alone. This is where the value of AI can shine – through Deep Learning (DL), an AI can be trained to perform human-like activities, such as deciding the outcome of an expense claim from both structured data, e.g. the expense amount, and unstructured data, e.g. the description of and reason for an expense. The presented use case can thus be seen as an example of how DL can be used to automate data-centric processes, as long the AI system is tailored with care to the existing business process and expert logic. The two resulting key benefits are reduced operational costs (estimated at -70%) and an actual improvement in decisioning accuracy measured at ca. +25%.
    Trends (Track 1)
    Where
    Studio E/F

  • Artificial Intelligence (AI) is getting more and more involved in our daily lives, often without us even noticing or being aware of its presence. It may come hidden in intelligent smartphone cameras, it may influence us while shopping or it may even decide whether we get hired by a company or not. In order for an AI to function as one, it has to be trained on data before it can actually act intelligently. It may behave in odd, unexpected ways, but one has to remember: Maybe the situation is completely new and it simply has not learned the correct behavior yet. Humans have to constantly learn over their lives, an AI is trained only on a very limited set of data and thus may develop a completely different and biased view. Which reasons are there to cause such bias, what influences it and how can we attempt to reduce the bias? Based on real world examples, this talk sheds some light on bias in AI and how to overcome it when developing AI solutions.
    Trends (Track 1)
    Where
    Studio E/F

  • In Wissenschaft und Praxis herrscht Revolutionsstimmung. Sprachassistenten simulieren natürliche Gespräche, automatische Übersetzer gibt es mittlerweile in Googles Excel oder man schiebt gleich das ganze Word-Dokument in einen automatischen Übersetzer und bekommt den Text zurück als ob ein Dolmetscher involviert wäre. Dieser Eindruck drängt sich auf, aber vielleicht ist die Revolutionsstimmung auch nur eine Goldgräberstimmung. In unserer täglichen Arbeit versuchen wir automatisch potentielle Sprachprobleme in Texten aufzudecken - wie eine schlauere Rechtschreibprüfung. Wir arbeiten dabei bereits seit sechs Jahren mit Natural Language Processing (NLP) Techniken, insb. Lemmatization, Part-of-Speech Tagging, Syntax Parsing und Co-Reference-Resolution, und zuletzt stärker Topic Modelling. Weiterhin machen wir immer wieder Studien mit unterschiedlichsten Machine-Learning-Ansätzen. Das Herausfordernde in unserem Kontext: Mit den Ergebnissen unserer Analysen werden Menschen zum Teil auch kritisiert und gemessen und Sprache wird allgemein als etwas sehr persönliches wahrgenommen. Dadurch kommen zwei Faktoren ins Zentrum der Bewertung: Hohe Präzision und Erklärbarkeit. In diesem Vortrag möchte ich diese modernen Ansätze in der konkreten Anwendung aufzeigen und sowohl Chancen als auch die Probleme aus der Anwendung heraus diskutieren und reflektieren. Dabei wird auf Buzzwords garantiert verzichtet, stattdessen wollen wir uns anschauen, was die End-Nutzer dazu sagen. Wir schließen mit einer versöhnlichen Analyse wo und unter welchen Umstände aus unserer Erfahrung heraus NLP und Machine Learning sinnvoll anwendbar ist und wo nicht.
    Use Cases (Track 2)
    Where
    E 218

  • Die Plausibilisierung von Zählerständen ist für einen Netzbetreiber ein aufwändiger Massenprozess. Die KI Lösung für diesen Anwendungsfall verspricht ein sehr hohes Automatisierungspotenzial. Es wird die verwendete Methodik des KI-Fast-Prototypings vorgestellt. Die Präsentation gibt Einblicke in den Zyklus der ML-Implementierung bzgl. Prozessverständnis, Datenverständnis, Datenaufbereitung, Modellierung, Evaluation und Produktivsetzung. Die verwendeten Werkzeuge und Plattformen werden dargestellt, ebenso die KI-bezogenen Ergebnisse (Modellart, Metriken). Es werden die besonderen Herausforderungen einer hybriden Architektur aus on premise SAP System und MS Azure beschrieben und über die Erfahrungen berichtet, die bei der Einbindung der Organisation und der Gremien innerhalb des Konzerns gesammelt werden konnten. Zum Schluss wird auf den Stand der Produktivsetzung eingegangen und ein Ausblick auf weitere KI Use Cases gegeben.
    Use Cases (Track 2)
    Where
    E 218

  • Mit Videos ist jeder schon einmal in Berührung gekommen. Und bei künstlicher Intelligenz (KI) im Videobereich denken die meisten vermutlich an Gesichtserkennung. Welche Arten von KI-Anwendungen werden heute von den Medienproduktionen schon bei der Videoanalyse eingesetzt und was wird in Zukunft alles noch möglich sein? Um die Anwendungen von KI im Videobereich und dessen enormes Potential zu verstehen, wird den Teilnehmern der Begriff und die Bedeutung „zeitbezogener Metadaten“ in Videos erläutert. Dies erfolgt anhand einer Präsentation und einer Live-Demo. In der Live-Demo wird gezeigt, wie per Mausklick aus einem deutschsprachigen Videoclip mittels einer „Speech-to-text“-KI ein Transkript erzeugt wird. Das Transkript erlaubt die wortweise Suche innerhalb des Textes und kann zur Navigation innerhalb des Videos verwendet werden. Auch dient es als Grundlage zur Darstellung von Untertiteln. Mit einem weiteren Mausklick kann das Transkript in eine beliebige Fremdsprache übersetzt werden. Die Übersetzung kann wiederum zum einen zur Erzeugung einer neuen synthetischen Sprachfassung und zum anderen zur Generierung der dazugehörigen Untertitel verwendet werden. Letztendlich ist es nun dem Betrachter überlassen, in welcher Sprachfassung und mit welcher Untertitelfassung er das Video ansehen bzw. anhören möchte. Außerdem wird anhand der KI „Gesichtserkennung“ gezeigt, warum der Zeitbezug bei Metadaten in Videos so wichtig ist. Der Vortrag endet mit einem Ausblick auf zukünftige KI-Anwendungen im Videobereich.
    Trends (Track 1)
    Where
    Studio E/F

  • The integration of artificial intelligence - especially in the field of image processing - allows users an exceptional level of quality, flexibility, and efficiency in automation.Within our talk, However, within industrial applications based on machine learning, all advantages are above all the lack of traceability and the immense need for large amounts of data of neural networks. The application of AI methods in the industry often fails due to the cost of data acquisition or lack of availability of appropriate training data to ensure robust and accurate models. Our talk addresses the issues of data hunger & understandability and introduces tools, methods, and standards, enabling the effective and efficient use of artificial intelligence in industrial environments in a traceable and data-efficient manner.
    Trends (Track 1)
    Where
    Studio E/F

  • pmOne has extensive know-how in data integration and analytics and is constantly faced with requirements such as connecting many data sources, data modeling and security. More and more use cases using new technologies such as the cloud, forecasting algorithms and artificial intelligence find various data sources for analytics already available combined with new sources to be explored and integrated. Existing approaches such as Extract-Transform-Load (ETL) do not keep up with ever larger amounts of data and agile / iterative project procedures, where around 80% of the effort goes into data provision and preparation. We therefore looked at different solutions such as Data Virtuality, Presto and Denodo. In this talk we share our observations related to these technologies. In particular, the expansion of existing analytical data with new sources in a logical data warehouse is a promising area of application for data science with virtualized data.
    Use Cases (Track 2)
    Where
    E 218

  • The INFORE project addresses the challenge of processing streams of large datasets and pave the way for real-time, interactive extreme-scale analytics and forecasting. Today, at an increasing rate, industrial and scientific institutions need to deal with massive data flows, streaming-in from a multitude of sources. For instance, maritime surveillance applications need to combine high-velocity data streams, including position data from thousands of ships across the world and acoustic signals of autonomous, unmanned vehicles. Life-Science simulation data and finance transaction data are another source of very fast and volatile data streams. Our work aims to simplify the design of complex process workflows . This allows subject experts to analyze large data streams and bridge the gap between data science and high performance computing. The proposed architecture is system agnostic and supports modern architectures, like Apache Flink, Kafka and Spark.
    Use Cases (Track 2)
    Where
    E 218

  • Machine Learning (ML) can be used to enrich existing products and services by introducing novel ML-based features. However, these products or services are often used by several customers. In order to train the required ML models, providers need to get their hands on customer data and centralize it - which is often not possible due to data sensitivity. In such situations where data is scattered across distributed IT systems, new techniques like sequential transfer learning can help to train high performing ML models. In this talk, we show a solution for creating and deploying ML models on federated systems using an innovative sequential transfer technique that outperforms existing federated learning frameworks. We present the case of an ERP provider who utilizes this technique to introduce a sales forecast as an ML-based feature in their software. Users of that system experienced a significant decrease in forecast error of up to 30%.
    Trends (Track 1)
    Where
    Studio E/F

  • The adoption of the Internet of Things (IoT) in industry provides the opportunity to gather valuable data. Nevertheless, this amount of data must be analysed to identify patterns in the data, model behaviors of equipment and to enable prediction. In this talk, we present a concept for metadata representation that tackles some of the challenges posed by big data ecosystems to data interpretation and analysis. By combining big data technologies (e.g. Spark on Hadoop) with semantic approaches, the processing and analysis of large volumes of data coming from heterogeneous sources becomes reliable. The metadata representation approach is adopted for defining the structure and the relations (i.e., the connections) between the various data sources. This enables the development of a generic, reusable and responsive data analytics framework, which is ensuring data validity and trustful analytics results.
    Use Cases (Track 2)
    Where
    E 218

  • Rapidly changing market demands in which products have to be manufactured ever more quickly, flexibly and in diminishing quantities require computing power and Artificial Intelligence (AI) in order to optimize production capacities to fulfill customer Needs. Edge computing is critical for the future development of IoT as use cases with demands for real-time in-field analytics grows in popularity. In a digital factory in the future AI has to be applied to data gathered from industrial sensors, and from the computing units itself, to automate and accelerate edge computing for applications like image-processing. Artificial intelligence (AI) processing today is mostly done in a cloud-based data center. The majority of AI processing is dominated by training of deep learning models, which requires heavy compute capacity. Diversity of AI applications grows, the centralized, cloud-based training comes to a frontier. AI processing is moving to the edge device.
    Trends (Track 1)
    Where
    Studio E/F

  • Die automatische Textzusammenfassung gehört zu den komplexesten Aufgaben in der Computerlinguistik. Neben der Fähigkeit die relevanten Daten zu erkennen, wird auch eine Dosis Kreativität und Flexibilität von den Modellen gefordert. Durch den konstanten Fortschritt im Bereich Deep Learning werden neue Möglichkeiten eröffnet, um die künstlich erfassten Textsynopsen zunehmend leserlicher zu machen, was dem Benutzer wesentlich größere Textsammlungen zugänglich macht. In diesem Vortrag möchten wir einen Umriss der Thematik darstellen, in dem wir die ausgewählten Problemstellungen in praktischer Hinsicht zusammen mit einem produktionsreifen Anwendungsfall beschreiben. Die Modelle für automatische Textzusammenfassung können mit einem tieferen semantikorientieren Blick in Textdaten den Führungskräften und den Projektleitern zu den Entscheidungsprozessen und Geschäftsverfahren verhelfen.
    Use Cases (Track 2)
    Where
    E 218

  • Künstliche Intelligenz (KI) und maschinelles Lernen (ML) dringen in immer mehr Anwendungsbereiche und unser tägliches Leben vor. Bei vielen Beispielen liefern die Methoden, die meist auf neuronalen Netzen basieren gute Ergebnisse. Problematisch sind hingegen Aufgabenstellungen, für die keine oder nur wenige Trainingsdaten vorliegen. Aber auch für diese Herausforderungen gibt es neuere Ansätze, wie Reinforcement Learning (RL) und Simulierte Evolution (SE). Dieser Vortrag zeigt, wie man mit simulierter Evolution Lösungen züchtet und über Belohnung bzw. Bestrafung optimiert. Hierfür führt er kurz in die Grundlagen der Evolution ein und überträgt die wesentlichen Elemente, der biologischen Evolution in einen generischen und simulierbaren Prozess. Zusätzlich stellt der Vortrag die wichtigsten genetischen Operationen, wie zum Beispiel Mutation, Rekombination und Inversion in ihrer Wirkung und Implementierung vor. Evolution funktioniert nur, wenn Lösungsversuche bewertet und verglichen werden können. Dazu ist eine effiziente Fitness-Funktion unabdingbar. Kern des Vortrags ist die Anwendung simulierter Evolution an zwei konkreten Live-Beispielen: Das erste Beispiel formulierte eine schematische Steuerung eines Haushaltsroboters vor, der sich in einer Umwelt orientieren muss. Konkret wird mit simulierter Evolution ein Steuerprogramm in einer einfachen Programmiersprache gezüchtet und in einer Umwelt simuliert. Dabei streift der Vortrag den Bereich der Software-Qualität der gezüchteten Programme: Wie züchtet man effiziente und "lesbare" Programme? Das zweite Beispiel führt die Teilnehmer zurück in das Jahr 1969 und zeigt wie man mit neuronalen Netzen und Evolution die NASA bei der Mondlandung unterstützen könnte. Die Steuerung einer simulierten Landefähre wird optimiert. Dazu stellt der Vortrag die Prinzipien des Reinforcement Learning vor. Je nach vorhandener Zeit können die konkreten Implementierungen der Beispiele im Source Code (Java und Python) an Stichpunkten mit den Teilnehmern diskutiert werden.
    Trends (Track 1)
    Where
    Studio E/F

  • Am Markt hört man immer wieder, dass digitale Assistenten in den Augen ihrer Benutzer versagen, selbst wenn die Konversationen mit Ihnen inhaltlich korrekt abgelaufen sind. Viele Unterhaltungen fühlen sich künstlich an. Die Benutzer fühlen sich nicht abgeholt, nicht verstanden. Es gibt viele Lösungen für Chatbots und die Technik an sich – KI-basierte NLU/NLP/NLC – ist inzwischen hinreichend ausgereift, und trotzdem misslingen in der Praxis viele Dialoge. Woran liegt das? Den Chatbots fehlt die notwendige Sozialkompetenz. Conversational Analysis, ein Teilgebiet der Soziologie, beschäftigt sich seit Langem damit, wie Unterhaltungen zwischen Menschen ablaufen und wann diese erfolgreich sind. Davon können und sollten Conversational Designer lernen, damit ihre digitalen Assistenten die Benutzer erreichen, emotional abholen, die Dialoge funktionieren und Ihre Chatbots erfolgreich sind. Lernen Sie in diesem Vortrag, was den Unterschied macht.
    Use Cases (Track 2)
    Where
    E 218

  • The usage of voice assistants is increasing steadily. Most recent available voice assistants talk with non-emotional tone. However, with technology becoming more humanoid, this is about to change. In human-human-interaction, people often catch the emotion of other people. With the increasing use of voice assistants, the question arises whether people also catch the expressed emotion of voice assistants. From a marketing perspective, this is especially interesting, as emotions play an important role while shopping. For example, happy customers tend to engage more in impulsive buying. Against this background, we explore how the tone of a voice assistant impacts consumers’ shopping attitude and behavior. In this talk, we present a new deep learning model to synthesize speech with different emotional tones (e.g. happy, uninvolved). Listening tests with experts, university students, and crowd workers prove that people can perceive the synthesized emotional tones. Afterward, we show the findings from a lab experiment, where we ask different groups of participants to test a voice shop with different emotional tones and we measure their emotion, shopping attitude, and shopping behavior. The results reveal, that the tone of the voice assistant in the shop impacts consumers’ emotional valence and arousal which in turn impact their trust in the shop, their satisfaction with the shop and the bought products and their impulsiveness of buying.
    Use Cases (Track 2)
    Where
    E 218

  • Mit der Einführung der DSGVO wurde in der Öffentlichkeit ihr vorgeblich hinderlicher Charakter betont. Innovationen auch und gerade im Umfeld Künstlicher Intelligenz würden es künftig schwer haben in der EU, so der Grundtenor vieler medialer Berichte. Der Vortrag versucht, diesen Befund auf seinen Wahrheitsgehalt hin zu überprüfen. Maschinen werden immer intelligenter und schon jetzt sind zahllose Einsatzmöglichkeiten denkbar und im Einsatz. Künstliche Intelligenzen imitieren das menschliche Sinnempfinden und lösen mit ihren Fähigkeiten geradezu eine Goldgräberstimmung aus. Der weltweite wie der europäische Markt für KI wächst und wächst und mag auch dazu verführen, das eine oder andere Risiko einzugehen und Vertrauen in KI aufs Spiel zu setzen. Denn das Herz der meisten KI sind Daten, und oftmals geht es um persönliche Daten von Personen. Sie tauscht Daten aus, analysiert oder verarbeitet sie. Und das mit allen möglichen Informationen - von biometrischen bis hin zu komplexen Prognosedaten. Ohne Daten könnte KI nicht lernen, und: Je mehr Daten, desto besser der Lernprozess. Datenschutz steht hier im Weg, könnte man vereinfachend sagen und die Frage stellt sich, ob er überhaupt notwendig ist. Immerhin sind die USA und China, die nicht immer das gleiche Datenschutzniveau wie die EU aufweisen, führend im Bereich KI. Viele Algorithmen können schon jetzt mehr, als die DSGVO ihnen erlaubt und die Umsetzung der DSGVO ist teuer sowie aufwändig. Und nicht zuletzt stößt das Recht auch an seine Grenzen: Viele Technologien, die zum Zeitpunkt der Entwicklung der DSGVO noch nicht bekannt waren, können jetzt mit dem Gesetz schwer aufgefangen werden. Doch nicht nur der Stand der Technik, sondern mindestens ebenso wichtig für eine erfolgreiche Marktplatzierung ist das generelle Vertrauen der Bevölkerung in die Anwendungen. Dazu tragen hohe Datenschutzstandards, transparente Datenverarbeitungen und Kontrollrechte von Betroffenen über ihre Daten in hohem Maße bei. Zudem steigert Vertrauen die Bereitschaft, Daten von sich preiszugeben und ermöglicht so innovativere Produkte und Services. Ein verantwortungsvoller Umgang mit persönlichen Daten ist ebenso eine Frage des ethischen Ansatzes, der für Unternehmen mehr und mehr zu einem wichtigen Wettbewerbsvorteil im „Kampf“ um die Daten wird. Für einen Ausblick ist festzuhalten, dass die EU diesen Weg auch in Zukunft weitergehen wird und so ein innovativer und zugleich in der Breite akzeptierter Markt für KI entsteht.
    Trends (Track 1)
    Where
    Studio E/F

  • Der Vortrag präsentiert aktuelle Entwicklungen in der Anwendung von AI im Gesundheitsbereich. Konkrete Einsatzszenarien zeigen auf, wie auf Basis einer (ggf. unternehmensübergreifenden) Analyse von Daten aus heterogenen Quellen neue Produkte und Services entwickelt und Prozesse und Planungen optimiert werden können. Data Science und Methoden der AI in datengetriebenen Geschäftsprozessen und technische Ansätze wie z.B. den Ansatz der "International Data Spaces", sowie Erfahrungen aus der Praxis, zeigen die Potenziale für den Einsatz von AI im Gesundheitsbereich. Auswirkungen auf das Gesundheitswesen, sowie den Einfluss auf die IT-Architektur im Gesundheitsbereich, werden anhand von konkreten Beispiele für AI-basierte Produkte erläutert. Aktuelle Chancen und Herausforderungen des Einsatzes von AI in industriellen »Ecosystemen« werden diskutiert, insbesondere die zunehmenden Erwartungen an eine „Transparente AI“.
    Trends (Track 1)
    Where
    Studio E/F

  • Was hat der digitale Zwilling mit künstlicher Intelligenz zu tun? An digitale Zwillinge und an KI-Verfahren werden ähnliche Erwartungen herangetragen – wenn es z.B. darum geht, Störungen an Maschinen vorherzusagen oder Produktionsabläufe zu optimieren. Philosophie und eingesetzte Techniken sind dagegen sehr unterschiedlich und erschweren eine Vergleichbarkeit der Ansätze. Der Vortrag zeigt auf, wie sich digitale Zwillinge und KI-Verfahren verbinden lassen, sie voneinander profitieren können und neue Geschäftsmodell ermöglichen. Eine zentrale Rolle spielt dabei das Zusammenspiel zwischen Mensch und KI sowie die Integration isolierter KI-Leistungen in ein Gesamtmodell. Anschaulich gemacht wird die Zusammenarbeit von digitalem Zwilling und KI durch Projektbeispiele aus unterschiedlichen Industrien.
    Use Cases (Track 2)
    Where
    E 218

  • We present a machine learning algorithm able to analyse contracts and support lawyers during the legal decision making process. The developed algorithm estimates the legal effectiveness of certain contract clauses while providing the reason for its decision together with the relevant text passages. In the talk we discuss on the one hand high-level challenges related to the task, like the underlying decision process and the man-machine interface, and reveal, on the other hand, technical details of our solution such as the machine learning architecture used for the natural language processing of the contracts.
    Use Cases (Track 2)
    Where
    E 218

  • Many firms from diverse sectors increasingly use AI to strengthen their efficiency by replacing human work. However, many of these advanced automation procedures will become standard tools in the future, and their isolated application will not enable companies to gain a competitive advantage. This presentation develops an intelligence-based view of firm performance, which underscores the need to integrate AI with specific human expertise to outperform competitors. It further discusses the leadership implications for general managers and offers a systematic framework for generating growth and innovation beyond optimization and efficiency. The ‘I3 - Integrated Intelligence Incubator’ provides executives with a toolset for developing appropriate proactive and reactive strategic initiatives for intelligence-based future competition. The presentation further reveals how executives, even without technical expertise, can achieve a sustainable competitive advantage through intelligence-based business models.
    Trends (Track 1)
    Where
    Studio E/F

  • Mit Künstlicher Intelligenz verändern sich die Paradigmen der Mensch-Technik Interaktion grundlegend. Der Computer wandelt sich zunehmend vom Werkzeug zum Partner. Beispielsweise ähnelt die Interaktion mit digitalen Companion- oder Assistenzsystemen nicht mehr der Nutzung, sondern eher der Zusammenarbeit. Diese neuen Formen der Interaktion müssen mit Methoden der menschzentrierten Gestaltung entwickelt werden. Im Workshop werden zwei solche Methoden vorgestellt und erprobt, die für den Einsatz im KI-Kontext adaptiert wurden. Szenario Design kann eingesetzt werden, um die Ausgangssituation bzw. die Probleme mit dem aktuellen Stand der Technik zu beschreiben und nachfolgend auch die Vision der zukünftigen Nutzung mit der angestrebten KI-Anwendung konkret darzustellen. Der Vorteil: Szenarien lassen sich schnell und einfach erstellen und sind für verschiedenste Stakeholder leicht nachvollziehbar. Ein Szenario kann im Anschluss in einen Service Blueprint übertragen werden, wo nun auch auf die technischen Komponenten der KI-Anwendung eingegangen wird. Anhand eines Service Blueprints lassen sich noch ungeklärte Lücken im Konzept identifizieren. Zudem bildet er eine strukturierte Grundlage für die Entwicklung der KI-Anwendung. Voraussetzungen: Keine Voraussetzungen. Ggf. eigene KI-Anwendungsidee bzw. KI-Produktidee.
    Workshops Basic
    Where
    E 215

  • The Neural Ordinary Differential Equations paper by Chen et. al. was awarded as one of the 4 best papers at NeurIPS 2018. The core idea is to model a time-series by modelling its derivative with a neural network. In Julia you can readily apply this approach, also with stochastic, delayed and other differential equations. In this workshop you are going to implement such state-of-the-art models yourself - with ease, thanks to Julia. We will go over the theory behind neural differential equations, why Julia is especially apt for this, and experience hands-on its power for predicting time-series. Looking forward to see you all! Prerequisites: No prerequisites. Everyone is highly welcome. If you want to join the hands-on part, just bring your own laptop with junolab.org installed.
    Workshops Advanced
    Where
    E 216

  • The rise of Artificial Neuronal Networks (ANNs) as the majorly utilized AI technology seems unstoppable: Machines are now able to classify images in super-human speed, beat master players in the ancient Chinese game “Go” and the complex strategy game StarCraft 2. But there is an important question increasingly overshadowing the rise of ANNs: How do they work and come to their decisions? An example from Mount Sinai Hospital drastically shows why it is so crucial to answer this question: In 2015, researchers developed and trained an ANN with a huge set of patient records. It can predict the onset of schizophrenia extremely well. As this is usually very hard to diagnose, medical experts wanted to understand the prediction. But “Deep Patient” is so complex that not even its own creators can understand its decisions, which is extremely unsettling. This is why we’d like to motivate peers to make the coming decade the era of Explainable AI (XAI). Prerequisites: Artificial Neuronal Networks, Statistical theory, Mathematical understanding
    Workshops Advanced
    Where
    E 216

  • Alexa und Siri zeigen wie gut Spracherkennung für Deutsch funktionieren kann. Die großen Cloud-Anbieter haben alle ein kommerzielles Speech-to-Text API im Angebot, über das sich deren Dienste direkt einbinden lasen. Jedoch verbietet sich der Einsatz von US-Cloud-Diensten in manchen Geschäftsbereichen aus Gründen der Verschwiegenheit, der Datenschutzes oder anderen Gründen. Zahlreiche open-source Projekte bieten Speech-to-Text Funktionalität an und erlauben es die Verarbeitung selbst zu hosten oder offline zu betreiben. Meist unterstützen diese open-source Projekte aufgrund ihrer Projekthistorie Englisch am Besten. Deutsch und andere Sprachen werden auch unterstützt, allerdings weniger gut als Englisch. In diesem hands-on Workshop verwenden wir vorab trainierte Modelle und machen mit den Teilnehmern einen Schnelldurchlauf durch die populären Frameworks SpaCy, NLTK, Glove Word, BERT mit speziellem Fokus auf die Verarbeitung von deutscher Sprache. Prerequisites: laptop, Python installed (from anaconda.com)
    Workshops Basic
    Where
    E 215