top of page

Praktische KI aus Technik-Sicht

In diesem zweiten Teil richten wir uns an die Technik- und Strategie-Ebene. In einem etwa 4-stündigen Programm beantworten wir folgende Fragen:

​

  • Was ist ein Neuronales Netz? Wie funktioniert maschinelles Lernen aus Daten?

    • Sie unterscheiden Lern- und Anwendungsphase („Inferenz“),

    • Sie lernen die Bedeutung von "Backpropagation" und „Gradientenabstieg“,

    • Sie sehen an konkreten Beispielen, wie all das mit moderner Programmierung (Python / TensorFlow / Keras) implementiert wird.

    • Diese Beispiele vermitteln Ihnen aufschlussreiche eigene Einblicke in die Praxis, wenn Sie sie später eigenständig anhand von enthaltenen Anleitungen verändern. 

​

​

MLP-Code-Cell.png

​​​

  • Welche wichtigen Typen von Neuronalen Netzen und Methoden muss man für heutige industrielle Anwendungen beherrschen? Lesen Sie weiter unter CNN, LSTM und Transfer-Learning, um mehr zu erfahren. 
     

    • MLP (Multi-Layer Perceptron): die Allzweck Netz-Architektur, dargestellt im Beispiel oben
       

    • CNN (Convolutional Neural Networks): Netze zur Bilderkennung mithilfe von „Deep-Learning"
       

    • LSTM (Long-Short-Term-Memory): rekursive Netze für Prognosen anhand von sequentiellen (Zeitreihen) Daten
       

    • Transfer-Learning: ermöglicht es, die Top-Performance bestehender CNN mit geringem Aufwand auf eigene Datensätze und Klassifizierungs-Fragestellungen zu übertragen.
       

  • Wie wird Machine Learning heute effizient implementiert? Was gehört dabei in welche Art von Cloud oder auf on-premise Devices? Welche Rolle spielen kleine Endgeräte („Edge Devices“) auf dem Shop Floor?
    ​
    Die Nutzung von Transfer-Learning und Open Source Angeboten ermöglicht kostengünstigen Aufbau extrem leistungsfähiger Systeme, wobei die Inferenz auf sehr kleinen Edge Devices abläuft. Dies zeigt einen strategisch wichtigen Pfad auf.

bottom of page