DHBW AI Transfer Congress

Lisa Böhler and Elena Löhnert

Generative AI
Anwendungsfälle
Erfahrungsaustausch

Im Rahmen des Workshops "Generative AI im Arbeitsalltag" steht der Erfahrungsaustausch bezüglich der Anwendung von GenAI im Fokus. Ziel ist es, relevante Anwendungsfälle zu identifizieren und zu erarbeiten, die Arbeitsprozesse optimieren und verbessern können. Die Teilnehmenden erhalten einen Überblick über gängige Technologien und bringen ihre eigenen Erfahrungen ein. Durch Diskussionen und Beispiele wird ein tieferes Verständnis für die Potenziale und Herausforderungen von GenAI in verschiedenen Arbeitsumgebungen geschaffen. Der Workshop bietet eine interaktive und praxisorientierte Möglichkeit, von den Erfahrungen anderer zu lernen und neue Ideen zu generieren.

Shobhit Agarwal and Bozena Lamek-Creutz

Machine learning
Artificial intelligence
Python

In today’s age, artificial intelligence (AI) and machine learning (ML) play an important role across various industries. It has become increasingly important for professionals, such as engineers and managers, to grasp the basics of AI and ML to leverage data-driven insights effectively. The workshop "Hands-On Basics of Machine Learning and Artificial Intelligence with Python" aims to provide participants with an overview of the concepts, techniques, and tools required to embark on the exciting journey into the realms of machine learning and artificial intelligence.

To simplify concepts in machine learning (ML) and artificial intelligence (AI) and build an understanding of Python, a highly adaptable programming language for data analysis, participants will take part in interactive hands-on activities during the workshop. Participants will gain knowledge about the principles that drive smart systems, starting from grasping the core concepts of ML algorithms to applying them with Python tools such as Scikit Learn and TensorFlow.

The workshop will commence with an overview of ML and AI, elucidating their significance, applications, and ethical considerations in today's society. Participants will then dive into Python programming essentials, covering topics such as data types, control structures, functions, and libraries essential for ML and AI development. Through interactive sessions, participants will gain proficiency in manipulating data, performing exploratory data analysis (EDA), and preparing datasets for ML tasks.

Next, the participants will delve into the basics of machine learning, covering concepts like reinforcement learning, supervised learning, and unsupervised learning. They will learn methods such as decision trees, regression, linear regression, and k nearest neighbors (KNN), along with understanding the distinction between classification and regression challenges.

In addition, the workshop will explore deep learning and neural networks, introducing participants to the fundamentals of convolutional and artificial neural networks (CNNs). Participants will learn how to create, train, and assess neural network models for applications such as image classification.

By the end of the workshop, participants will have a firm grasp of the underlying ideas of machine learning and artificial intelligence (AI). In addition to the useful skills needed to put ML algorithms into practice and create to AI solutions with Python. This workshop will provide a chance for individuals to dive into the exciting realm of machine learning and artificial intelligence (ML and AI), regardless of their level of experience with ML and AI.

Matthias Drüppel

Embedded AI
CNNs
Tensorflow
Self-driving cars
Do-it-yourself

KI-Modelle entwerfen macht viel mehr Spaß, wenn sie Hardware direkt ansteuern und ihren Effekt greifbar machen. Und deswegen werden wir in diesem Workshop einem Modell Fahrzeug beibringen selbst zu fahren. Hierzu bringe ich Ihnen ein Modell Fahrzeug ausgerüstet mit Raspberry Pi und Kamera mit. Mit im Gepäck: Eine Rolle Krepp Band, mit dem wir eine Strecke auf dem Boden markieren. Zusammen werden wir ein Modell trainieren, was basierend auf den Bildern der Kamera und dem Krepp Band entscheidet in welche Richtung gefahren werden soll. Für die Auswertung der Bilder entwerfen wir ein Convolutional Neural Network (CNN) mit Hilfe von Tensorflow. Den Code hierfür gibt es als Jupiter Notebook zum mit nach Hause nehmen. Und ob das Ganze funktioniert hat und unser Auto der Linie folgen kann, sehen wir live vor Ort.

Simon Rechberger, Sanne Kruse-Becher and Davit Svanidze

Unsupervised learning
Explorative Datenanalyse
Self-organizing maps
Explainable AI
Mensch-Maschine-Interaktion

Die Klassifikation von Objekten oder Individuen ist eine typische Aufgabe des Unsupervised Learning. Bekannt sind vor allem Verfahren wie die hierarchische Clusteranalyse oder k-Means-Cluster. Doch die Auswahl des geeigneten Clusterverfahrens ist nicht trivial, und unterschiedliche Algorithmen oder Distanzmaße können zu höchst unterschiedlichen Ergebnissen führen, die zudem nicht immer selbsterklärend sind. Oft steht allerdings gar nicht die perfekte Cluster-Lösung im Zentrum des Forschungsinteresses, sondern die Exploration der Daten und die Möglichkeit, verschiedene Perspektiven auf die enthaltenen Informationen zu beleuchten.

Ein Clusterverfahren, das auf einer speziellen Form künstlicher neuronaler Netze (KNN) basiert, sind die sogenannten Kohonen-Netze oder Self-Organizing Maps (SOM). Eine SOM ist eine niedrigdimensionale (typischerweise zweidimensionale), diskretisierte Darstellung des Eingaberaums der Trainingsdaten und stellt somit eine Möglicheit zur Dimensionalitätsreduktion dar. SOMs unterscheiden sich von anderen KNN dadurch, dass sie kompetitives Lernen im Gegensatz zum Fehlerkorrekturlernen (wie Backpropagation mit Gradientenabstieg) anwenden und dass sie eine Nachbarschaftsfunktion verwenden, um die topologischen Eigenschaften des Eingaberaums zu erhalten.

Eine Weiterentwicklung der SOM liegt mit der Software Viscovery SOMine in einer nutzerfreundlichen Implementierung vor, welche die intuitive visuelle Exploration von multidimensionalen Datenstrukturen ermöglicht. Anwender:innen können darin die Gewichte selbst beeinflussen und somit verschiedene Hypothesen über die Bedeutung der einzelnen Attribute der zu clusternden Objekte untersuchen. Durch die verschiedenen Möglichkeiten der Cluster-Exploration lässt sich die Viscovery SOM den Ansätzen der Explainable AI zurechnen.
In unserem 90-minütigen Workshop möchten wir verschiedene Anwendungsmöglichkeiten von SOM mit den Teilnehmern erproben und diskutieren. Dazu nutzen wir frei verfügbare, teilweise präprozessierte Datensätze und das kostenfreie Basismodul „Visual Explorer“. [1]

Der erste Anwendungsfall beschäftigt sich mit der Fragestellung, wie das Abstimmungsverhalten afrikanischer Staaten in der UN.-Generalversammlung zum Ukraine-Krieg erklärt werden könnte. Hierfür werden verschiedene Datenquellen, beispielsweise das Afro-Barometer, Daten über Waffen- und Rohstoff-Handelsströme, Demokratieindizes und Daten zum früheren Abstimmungsverhalten zusammengeführt und in einer SOM visualisiert. Das Beispiel war Gegenstand eines offiziellen Side Events der Münchner Sicherheitskonferenz 2023. [2]

Der zweite Anwendungsfall analysiert Diskursverschiebungen in der deutschen Bundespolitik über mehrere Jahrzehnte anhand frei verfügbarer Daten über die Zusammensetzung des Deutschen Bundestags. [3] Zudem möchten wir mit den Teilnehmenden diskutieren, in welcher Form zusätzliche Informationen qualitativer und quantitativer Natur in das Modell integriert werden könnten und welche Rolle Large Language Models (LLM) dabei spielen. LLMs können genutzt werden, um unstrukturierte Daten, beispielsweise aus Protokollen, Medienberichten oder wissenschaftlichen Artikeln, in eine strukturierte Form zu bringen, die mit Clusterverfahren analysierbar sind.

Abschließend möchten wir mit den Teilnehmenden eine mögliche Anwendung der Kombination von LLM und SOM zur automatisierten Lageberichterstattung in Sicherheitsbehörden diskutieren. Neben fachlichen und technischen Herausforderungen spielen diesem Kontext ethische Fragen der Mensch-Maschine-Interaktion eine wesentliche Rolle: Wie wandelt sich die Rolle von Expert:innen, wenn Informationsbeschaffung und Evaluation selbst in komplexen Fragestellungen zunehmend von KI-Anwendungen übernommen werden können?

Grundlage hierfür ist ein aktuelles Forschungsprojekt, das die Workshop-Leiter:innen zusammen mit einer großen Bundesbehörde im Sicherheitsbereich durchführen, um die Auswirkungen KI-gestützter Risikoanalyse-Systeme auf die Kontrolleffizienz, aber auch die wahrgenommene Selbstwirksamkeit, Autonomie und Innovationsfähigkeit zu untersuchen. Dabei steht insbesondere die Frage im Raum, ob und wie Ansätze der Explainable AI zur Akzeptanz von KI-gestützten Systemen in Tätigkeitsfeldern, die in besonderem Maße von der Expertise und Intuition der Beschäftigten geprägt sind, beitragen kann.

[1] www.viscovery.net/visual-explorer
[2] www.viscovery.net/blog/did-we-lose-africa-what-if-we-used-data-to-win-the-battle-of-ideas
[3] de.linkedin.com/pulse/ki-der-politikwissenschaft-eine-landkarte-bundestagspolitik-stat-up

Sebastian Wankerl and Gerhard Götz

machine learning
educational data
recommendations

Maschinelles Lernen lässt sich zur Lernprozessbegleitung Studierender nutzen: z.B. können in Übungseinheiten Aufgaben präsentiert werden, die sich für den Lernfortschritt Übender individuell besonders eignen. Herausfordernd ist hier jedoch die vergleichsweise kleine Datenmenge. Der Umgang damit wird im World-Café-Format besprochen: Wie lassen sich Nutzungsdaten im Hochschulkontext sammeln? Welche Attribute sollten unter Berücksichtigung gängiger Datenschutzregelungen erhoben werden? Wie lässt sich gewonnenes Wissen in solch ein Lernsysteme integrieren, um mit wenig Daten gute Ergebnisse zu erreichen? Wie lässt sich der Erfolg eines solchen computergestützten Lernsystems evaluieren?

Stefan Lobmeyer and Frank Benda

KI-gestütztes Change Management
Führungskräfteentwicklung
Systemische Innovation

Wir präsentieren einen innovativen KI-Workshop, der Führungskräfte von Behörden und Staatsbetrieben in die Lage versetzt, komplexe Herausforderungen durch verbesserte Problemlösung, Entscheidungsfindung und Innovationsfähigkeit zu meistern. Durch die Integration von generativer KI in systemische Analyse und kreatives Denken, fördert dieser interaktive Ansatz tiefgreifendes Verständnis und praktische Anwendung in realen Szenarien. Ziel ist es, Teilnehmern zu ermöglichen, Veränderungen proaktiv zu gestalten und zu leiten.

Torsten Harms

AI
machine learning
Orange
Excel
business applications

Deutsche Zusammenfassung: Künstliche Intelligenz bietet zunehmen ein hohes Potenzial für Anwendungen im kleineren Rahmen des betrieblichen Tagesgeschäftes – also Prozessen, welche bislang noch händisch, v.a. mit Hilfe von Excel gesteuert werden. In diesem Workshop soll praxisnah die Anwendung des kostenlosen KI-Tools „Orange“ in Verbindung mit Excel vorgestellt werden. Die Teilnehmer lernen, wie Excel-Daten mit Hilfe von Orange und machine learning angereichert werden können, um betriebliche Entscheidungen zu verbessern.

Benedict Baur

SAP HANA
Machine Learning
Python
Jupyter Notebook
Cluster-Algorithmen
Kundensegmentierung
SAP-Anwendung

In diesem Workshop stelle ich die Machine-Learning-Funktionen der SAP HANA vor. Durch die Verwendung der Python-API für SAP HANA lassen sich diese Funktionen in gewohnten Data-Science-Werkzeugen wie dem Jupyter Notebook verwenden.
Anhand eines praktischen Beispiels zur Kundensegmentierung mittels Cluster-Algorithmen können die Teilnehmer diese Funktionen selbst ausprobieren.

Agenda:
- Architektur der SAP HANA und eingebaute Machine-Learning-Funktionen
- Verwendung der SAP-HANA-Algorithmen in Python
- Praxis-Beispiel/Hands-On: Cluster-Analysen und Visualisierung im Jupyter Notebook
- Lösungsarchitekturen zur Integration von Machine-Learning in SAP-Anwendungen

Frank Neubüser

Generative-AI
LLM
Retrieval-Augmented Generation
RAG
Vektorisierung
Embeddings

Generative AI is a game changer for business, but its adoption in highly regulated and data-sensitive areas is limited by one clear issue: data privacy. Not being able to ensure that your data is fully under your control when using third-party AI tools is a risk that some industries cannot take. This workshop looks at how Large Language Models (LLMs) can use Retrieval Augmented Generation (RAG) to provide customised and data-driven tools for use in private domains without having to constantly invest in retraining full models. It provides some insights into the basics of a RAG framework and its components, in particular a vector database, and illustrates the results in an example use case to stimulate discussion.

Kathrin Schweizer

Konsumentenpsychologie
KI
Marketing
Markenbindung
Kaufentscheidung
Chancen
Herausforderungen

Kurze Beschreibung von Inhalt, Zielsetzung und Durchführung des Workshops (Deutsch):

Der rasante Fortschritt in der Künstlichen Intelligenz (KI) verändert die Art und Weise sowie die Dynamik von Konsumenteninteraktionen und -entscheidungen. Dieser Workshop beleuchtet die zunehmende Relevanz der Konsumentenpsychologie im Kontext der KI und sensibilisiert, wie innovative Technologien genutzt werden, um tiefergehende Kundenbeziehungen zu entwickeln und Kaufentscheidungen zu beeinflussen. Durch eine Kombination aus theoretischen Grundlagen und praktischen Anwendungsbeispielen werden die Teilnehmer*innen:
- Ein grundlegendes Verständnis der Mechanismen erlangen, wie bzw. wo KI das Verbraucherverhalten beeinflusst und wie diese Erkenntnisse für Markenbindung strategisch genutzt werden können.
- Diskutieren, welche Chancen und Herausforderungen KI in der Konsumentenpsychologie sowohl aus Unternehmens- als auch aus Konsument*innen-Sicht bietet.

Dieser Workshop startet mit einem Input-Teil, welcher in das Thema einführt und eine Basis für weitere Diskussionen bietet. Die anschließenden Gruppenarbeiten zielen darauf ab, die Teilnehmer*innen ins eigene (Nach-)denken zu bringen – sie widmen sich kritisch der Frage, wie KI für Aspekte der Konsumentenpsychologie, wie Markenbindung und Kaufentscheidung, aus verschiedenen Perspektiven an Relevanz gewinnt. Diese Erkenntnisse, wie beispielsweise den Einsatz von KI im Marketingumfeld besser zu erkennen, lassen sich auch im Alltag anwenden und besitzen eine hohe Bedeutung.

Klaus Homann and Emily Rauch

Digitainability
Future Skills
AI Competences
Sustainability Competences

Die Arbeits- und Lebenswelt entwickelt sich stetig weiter und für Studierende wie auch Arbeitnehmende wird es immer schwerer, sich auf die neuen Entwicklungen vorzubereiten. Um in dieser emergenten Welt handlungsfähig zu bleiben, sind Future Skills von immer größerer Bedeutung, denn sie befähigen Individuen auf verschiedene unberechenbare Situationen und Kontexte einzugehen und weiterhin eigenständige und sichere Entscheidungen zu treffen – auch in unsicheren Umfeldern.
Die Bedeutung von digitalen und technischen Entwicklungen, wie insbesondere Künstlicher Intelligenz und die Herausforderungen der Nachhaltigkeit, hier an erster Stelle der Klimawandel, spielen in diesem Zusammenhang eine ausschlaggebende Rolle.
Die NextEducation Forschungsgruppe hat sich im Rahmen des KI-Campus Projekts tiefgehend mit KI-bezogenen Future Skills befasst und in einer Studie (www.ai-comp.org) veröffentlicht.
Die europäische Hochschulkooperation „EFEU – Emission Free European Universities“ (www.dhbw-stuttgart.de/EFEU) ergänzt diese Future Skills um Maßnahmen zur strategischen Entwicklung von Nachhaltigkeitskompetenzen von Studierenden in den Ingenieurswissenschaften.
Wir möchten die Gelegenheit beim AI Transfer Congress nutzen und gemeinsam mit Ihnen erforderliche KI- und Nachhaltigkeitskompetenzmodelle diskutieren und nach Lösungen suchen, wie wir es schaffen, jene benötigten Future Skills in die Lehre zu integrieren, sodass die Studierenden befähigt werden, in Zeiten der Digitalisierung und des Kampfes gegen den Klimawandel, nachhaltige und weiterhin auf den Menschen bezogene Ideen und Lösungen zu entwickeln und zu kreieren.

Markus Lauff and Birgit Fien-Schmalzbauer

Generative AI
ChatGPT
Design Thinking
Enterprise Architecture
Use Cases
Methodology
Best Practices

This 90-minute workshop is tailored for professionals and innovators eager to unlock the potential of Generative AI. Learn a systematic and lean approach, integrating design thinking and enterprise architecture, to explore, discover, and design use cases powered by Generative AI. Leverage opportunity cards to spark creative ideas and utilize design thinking tools like Scenario Formulation Sentence, Use Case Briefs, Customer Journey Mapping, Business Values / Complexity assessment, Solution Context and Concept diagrams as well as low/high-fidelity prototyping.

Target Audience: Professionals, developers, and decision-makers interested in leveraging Generative AI for innovative solutions in their respective fields.This 90-minute workshop is tailored for professionals and innovators eager to unlock the potential of Generative AI. Learn a systematic and lean approach, integrating design thinking and enterprise architecture, to explore, discover, and design use cases powered by Generative AI. Leverage opportunity cards to spark creative ideas and utilize design thinking tools like Scenario Formulation Sentence, Use Case Briefs, Customer Journey Mapping, Business Values / Complexity assessment, Solution Context and Concept diagrams as well as low/high-fidelity prototyping.

Target Audience: Professionals, developers, and decision-makers interested in leveraging Generative AI for innovative solutions in their respective fields.

Alex Baumann

Machine Learning
Artificial Intelligence
Python
Tensorflow
Google Colab
CIFAR10

In recent years Machine Learning and Artificial Intelligence has become so popular that we all incorporated it already in our lifes, more actively or passive as a user of trained models.

In this fundamental hands-on course we will firstly review some core concepts and then
learn how to build and train machine learning models ourselves using Python & Tensorflow.

We will apply it on the CIFAR10 dataset to successfully detect shown images.

Learning outcomes are:

• Understanding of theoretical concepts of machine learning and artificial intelligence
• knowing how to build and train basic algorithms and small networks
• knowing how machine learning and basic artificial intelligence is used in practice
• being able to deploy machine learning and artificial intelligence algorithms on a Google web environment

Prerequisites:

• basic knowledge of calculus & linear algebra recommended
• basic knowledge of python recommended

Martin Kugelmann

AI based defense systems
ethical aspects
radar technology
eletro-magnetical dominance
Bundeswehr

Through films such as Star Wars and horror scenarios with automatic combat robots, we fear wars in the future where machines decide over life and death. At the same time, however, we have to recognize the enormous importance of drones in the current crisis areas. If we now imagine that such systems are controlled by artificial intelligence, many questions and concerns arise; perhaps even panic.

The aim of the workshop is to give participants a clear picture and help them form an own personal opinion based on facts. From the speaker's point of view, it is necessary to bring this for sure difficult topic into the public debate.

The following points will be discussed:
1) What are the demands for artificial intelligence in defense systems on the example of modern radar technology and electro-magnetical dominance?
2) How to we have to verify AI based defense systems?
3) How can we ensure that our Constitution and the leadership principles of the Bundeswehr remain in force?
4) What is our ethical conclusion?

The workshop will be split in two parts: an key note (45 Minutes) and a discussion