Programm

Das Beste zu Künstlicher Intelligenz und Machine Learning

Auf dieser Seite finden Sie ab Mitte März das Konferenzprogramm der AI4U 2019!

Weiter unten können Sie noch einmal einen Blick auf die Vorträge der vergangenen Konferenz werfen.

 

Weitere wichtige Termine

03.12.2018 bis 25.01.2019: Call for Papers
Sie möchten bei der AI4U als Sprecher dabei sein? Ab Dezember finden Sie hier alle weiteren Infos, die Sie zur Einreichung Ihrer Vorträge brauchen.

08.03.2019: Das Konferenzprogramm ist online
Freuen Sie sich wieder auf zwei spannende Vortragstage rund um die Themen Künstliche Intelligenz und Machine Learning.

25. und 26.06.2019: AI4U 2019
Wir freuen uns darauf, Sie im Juni in München begrüßen zu dürfen.

Rückblick auf das Programm 2018

Expand All +
  • Dienstag, 26.06.2018


  • Mittwoch, 27.06.2018


  • 09:00 - 10:00
    Maschinelles Lernen ist derzeit ein Thema, das extrem gehypt wird. Insbesondere die Durchbrüche von Deep Learning in (fast) allen Bereichen der Mustererkennung führen zu einer hohen Medienpräsenz von lernenden Maschinen. In meinem Vortrag werde ich kurz die wichtigsten Konzepte vom maschinellen Lernen und Deep Learning zusammenfassen, bevor ich die wichtigsten Algorithmen und Durchbrüche der letzten Jahre vorstelle. Danach gehe ich auf die neuesten Trends ein und stelle erfolgreiche Anwendungen vor, die bereits auf dem Markt verfügbar sind. Am Ende des Vortrags gehe ich auf die Grenzen von Deep Learning ein und zeige auf, wann es besser ist, auf andere Verfahren des Maschinellen Lernens oder allgemein der Datenanalyse zuzugreifen.
    Where
    Studio E/F

  • 10:05 - 10:50
    Künstliche Intelligenz (KI), Schwarmintelligenz, Deep Learning oder Machine Learning – wie können Mittelständler noch den Durchblick behalten? WelcheTechnologien lohnen sich tatsächlich für den Einsatz in mittelständischen Unternehmen? Unter dem Sammelbegriff KI steht den Unternehmen heute ein ganzer Zoo von Techniken mit sehr unterschiedlichen Fähigkeiten zur Verfügung. Hier können wir grob zwischen autonomen und gesteuerten Techniken unterscheiden. Erstere sind sehr schwer kontrollierbar, letztere eigenen sich eher für den Einstieg. Ein mittelständisches Unternehmen muss aber gar nicht bei der Technik anfangen, stattdessen sollte es sich genau überlegen, in welchen Geschäftsprozess es KI-Anteile einführen möchte und wie diese mit den Menschen zusammenarbeiten sollen – daraus ergeben sich die Techniken dann von selbst. Der Vortrag zeigt an hand von best practices wie der Mittelstand Nutzen aus KI ziehen kann.
    Where
    Studio E/F

  • 11:30 - 12:30
    Machine learning is often used mainly to guide company internal decision making. Delivering a machine learning product straight to the end user poses an entirely different set of requirements with respect to performance and automated quality control. Therefore, after successfully prototyping a prediction model, many companies create a separate high-performance implementation of same model for a production environment. Continuous Delivery is already an established approach to modern web application development that allows for much shorter product release cycles at high quality. This enables to rapidly innovate and adapt to user needs. However, in machine learning Continuous Delivery has been rarely applied so far. Learn how continuous delivery pipelines allow us to release model improvements with confidence at any given time, and how we applied this to great success with a leading european online marketplace.
    Where
    Studio E/F

  • 12:35 - 13:20
    Die Erfolge von KI und machine learning sind in der digitalen Welt unbestritten. Doch wie überträgt man diese Erfolge auf die industrielle Produktion? Denn dort sind die verwertbaren Datenmengen deutlich geringer. Wie generiert man auch mit wenig Daten Mehrwert? Wir zeigen Ihnen wie man schon aus wenigen Beobachtungen konkrete Einstellungsparameter verlässlich ableitet. Wie ist das möglich? Durch die systematische Verknüpfung von puren Produktionsdaten mit dem wertvollen Expertenwissen der Ingenieure erreicht man bereits nach kurzer Zeit optimierte Ergebnisse. Wir zeigen Ihnen, wie man Modellwissen mit maschinellem Lernen verbindet und wie dies zur Effizienzsteigerung in der Produktion genutzt werden kann. Dies stellen wir an zwei Anwendungsfällen vor.
    Where
    Studio E/F

  • 14:45 - 15:30
    Presentation of AI Use Cases that leverage GPU Computing. AI Use Cases collection and presentation that are applicable for GPU Computing. Initial assumptions, First steps and how to leverage different Scenarios. When are GPU Computing solutions plug and play (Efforts to deploy / run). On Premises vs Hybrid vs Cloud solution set ups for GPU Computing / AI Use Cases & Operating Model. What Business Cases require GPU Computing.
    Where
    Studio E/F

  • 15:35 - 16:20
    KI ist keine Magie. Das Ziel der Anwendung von KI im technischen Kundendienst ist die Entwicklung und Automatisierung von Datenanalyseprozessen, die manuell aufgrund von Umfang und Komplexität der Daten nicht möglich wären. Dies setzt das technische Verständnis der zu betrachtenden Anlagen ebenso voraus wie das Wissen um die Möglichkeiten der vielfältigen Verfahren der KI. Denn KI ist nicht nur Deep Learning und die Anwendung erfordert Ingenieure. Der Vortrag wird die Möglichkeiten und das methodische Vorgehen bei der Nutzung von KI im Service anhand von Praxisbeispielen aus der Industrie konkret aufzeigen.
    Where
    Studio E/F

  • 16:50 - 17:50
    Grundlage für jede weiterführende Analyse von Maschinendaten ist die Kenntnis über die zum Teil zeitlich versetzten Zusammenhänge des Systems. Eine direkte Analyse der zeitabhängigen Sensordaten von Maschinen liefert in der Regel nicht die gewünschten Informationen über die Systemzusammenhänge. Im Vortrag wird gezeigt, wie diese Sensordaten von Maschinen mithilfe eines Brut Force Ansatzes in relevante Systemzustände zerlegt werden können. Um diese interpretierbar zu machen, werden durch Verfahren des Self-Taught Learnings und des Unsupervised Feature Learnings aus diesen Systemzuständen relevante Zustandsklassen und ihre Merkmale identifiziert. Abschließend wird gezeigt, wie Zusammenhänge zwischen Zustandsklassen, Zustandsmerkmalen und Zuständen durch die Anwendung von Machine Learning Verfahren und Root Cause Analysen erkannt werden können.
    Where
    Studio E/F

  • 17:55 - 18:40
    Die fortschreitende Digitalisierung erreicht alle Lebensbereiche und Altersklassen. Mittlerweile haben 50 Prozent der Kinder im Grundschulalter ihr eigenes Smartphone. Doch sind sie im Internet sicher? Nein, denn für erfahrene Pädokriminelle ist es ein Leichtes, Kinder in Chats dazu zu bewegen, ihnen Fotos zu schicken oder schlimmer noch, sich mit ihnen zu treffen. Aus diesem Grund wurde Privalino entwickelt: Privalino ist ein sicherer Instant Messenger für Kinder im Grundschulalter. Mit Hilfe von Deep Learning erkennt es automatisch, wenn ein Gespräch verdächtig oder gefährlich wird und kann dann das Kind, die Eltern und menschliche Moderatoren warnen. In unserem Vortrag möchten wir unser Projekt, die Problemstellung und unsere Lösungsansätze vorstellen. Dabei tauchen wir tief ein in rekurrente neuronale Netze und deren Anwendung auf Daten der natürlichen Sprache.
    Where
    Studio E/F

  • 09:00 - 09:45
    Der Vortrag stellt relevante AI-Techniken für die verteilte Datenanalyse, Verständnis komplexer Netzwerke, Internet of Things und cyber-physikalische Systeme vor. Es wird ein Überblick über Anwendungen von AI-Techniken gegeben, mit Schwerpunkt intelligente Automatisierung und globalen Optimierung im Bereich Industrie 4.0, sowie Anwendungen im Bereich intelligente Transportsysteme und zum Thema Predictive Maintenance (intelligente Fehlererkennung, Fehleranalyse, Diagnose und Überwachung). Anhand der Datenaustauschplattform Industrial Data Space als Enabler für AI-as-a-Service, der es Unternehmen ermöglicht, Unternehmensdaten auf sichere, vertrauenswürdige und kontrollierbare Weise auszutauschen, werden weiter Aspekte des Software-Engineerings von verteilten Datenbasierten AI-Plattformen (insbesondere Software-Referenzarchitekturen, Verifikation und Validierung, insbesondere in Hinblick auf Sicherheit und Zuverlässigkeit) diskutiert.
    Where
    Studio E/F

  • 09:50 - 10:50
    Today's technologies allow the massive collection of data from modern machines in raw form and at high speed with the main aim of taking advantage of them. To do this, several methods and steps must be applied to process these raw data. The understanding that follows this complex process depends not only on how the data was processed, which implies applying the right method in the right order, but also on the person who studies and interprets the outcomes. We at the Nagarro AI-Center of Excellence (AI-CoE) have developed a process that can be adapted to the interpreters’ needs and combines different AI techniques such as Auto Encoder and Deep Learning (see http://deeplearning.nagarro.com). The results we will present are based on real cases of some of our clients.
    Where
    Studio E/F

  • 11:30 - 12:15
    Text chats are currently one of the biggest challenges for modern brands in terms of customer support. More and more consumers prefer to interact with companies via text messages instead of direct phone calls. This shift in consumer behavior is a great opportunity to improve quality of service and greatly reduces the time needed to solve clients’ problems. During my presentation, I will show an AI solution for suggesting answers to customers questions that are directed towards brands with the usage of neural networks learned with history of previous conversations. Application developed by SentiOne can greatly improve ease of operation while maintaining control over communication and ability to adapt to new events and discussions that may break legacy rule-based NLP systems.
    Where
    Studio E/F

  • 12:35 - 13:20
    Digitalisierung und Vernetzung gehen meist einher mit beeindruckenden Zukunftsvisionen und Zahlen. Vergleicht man dies jedoch mit dem tatsächlichen Wandel und der Wirklichkeit in KMUs, muss man oft ernüchtert feststellen, dass die Bereitschaft zur Digitalisierung in vielen Unternehmen nicht sehr weit verbreitet ist – KMU machen 98% aller Unternehmen in Deutschland aus. Vor allem kleine und mittelständische Unternehmen sind besonders zurückhaltend im Einsatz neuer Technologien. Dies wurde Anfang des Jahres auch vom Verband bitkom nach einer Umfrage festgestellt. Auffällig ist hierbei, dass neue Technologien in den Köpfen vieler Entscheider mit Change-Prozessen und Investitionen assoziiert werden. KMUs haben andere Probleme. KMUs möchten nicht technologisch aufrüsten sondern Engpässe lösen und Kosten senken. These: Der Ansatz für neue Technologien und KI ist also dort vielversprechend, wo sie einfach zu integrieren und nutzbar gemacht wird. Fehlendes Expertenwissen und hohe Investitionen bremsen größere Innovationssprünge aus. KI-Technologie kann jedoch heute schon für KMU wirtschaftlich nutzbar gemacht werden, durch Netzwerke und intelligente Anwendungen, welche nachhaltig Geschäftsprozesse automatisieren.
    Where
    Studio E/F

  • 14:45 - 15:30
    Data science research projects often focus on improving the overall understanding of machine learning. Business projects, on the other hand, focus on defining and deploying models to solve a specific problem. We - the research team of RapidMiner - bridge the gap between data science research and business application. Working on use-case oriented projects, we are able to transfer the experience and results to business value. Starting with business questions, we work our way through recent machine learning methods and create new extensions and modifications for the platform. Working with our own platform and having access to development resources gives us an edge on achieving our goals. With our hands on experience with the product, we are a cluster of expertise for the development and sales teams. We will showcase how to enable a small team to effectively orchestrate work on different projects and how to transfer these findings to other groups.
    Where
    Studio E/F

  • 15:35 - 16:20
    Der Vortrag beleuchtet verschiedene Wissensdienste zur Unterstützung der Wissensarbeit des DFKI Forschungsbereichs Smarte Daten & Wissensdienste. Vom Semantischen Desktop bis zum Unternehmensgedächtnis werden Ansätze vorgestellt, die etwa durch das Aufbrechen von Datensilos Potenziale bieten, nützliche Wissensdienste zu realisieren und diese in die tägliche Arbeit der Nutzer einzubetten. Dabei stellen sich auf verschiedenen Ebenen Herausforderungen wie etwa dem Analysieren und Abbilden von Daten in semantische Strukturen, dem Vokabularaufbau, dem Ableiten von Kontexten und deren Einbettung in Arbeitsabläufe oder der bedarfsgerechten Informationsbereitstellung durch hybride Empfehlungssysteme. Einblicke in aktuelle Forschung zum Digitalem Vergessen, Archivieren und kontextuellen Erinnern zeigen weitere Potenziale der Kombination semantifizierter Datenquellen und evidenzbasierter Methoden.
    Where
    Studio E/F

  • 16:30 - 17:15
    Mehr Informationen folgen in Kürze.
    Where
    Studio E/F