Workshop zur Einführung in Automatisiertes Maschinelles Lernen (AutoML). Wir zeigen
Ihnen, wieso sich AutoML, besonders für Unternehmen mit wenig vorhandener KI-
Expertise lohnt, was dahinter steckt und wie Sie es ganz ohne Programmierkenntnisse
nutzen können. Schritt für Schritt wird Ihnen anhand der KI-Lab.EE Auto-ML Plattform
vorgestellt wie Sie die No-Code nutzen können, um KI einfach anzuwenden.
Anhand eigener Daten oder Beispieldaten können die Teilnehmende das Gelernte im
Workshop direkt selbst umsetzen und Fragen stellen.

Hands-On Workshop für Automatisiertes Maschinelles Lernen mit No-Code
Workshop für eine fortgeschrittene Nutzung von Auto-ML mit unserem KI-Lab.EE Tools.
Anhand verschiedener Szenarien und Datensätze wird erläutert, welche Vorteile
Feature “Featureselection”, “Balancing” und Foundation Modelle für KI-Anwendungen
bieten können und wie diese in der No-Code Plattform einfach anwendbar sind.

Zeitreihendaten sind in einer Vielzahl von Anwendungsbereichen zu finden – von den Werten
eines Sensors bis hin zu Finanzdaten. Wie Zeitreihendaten effektiv analysiert und modelliert
werden können, erfahren Sie in diesem Workshop. Dabei wird auf die besonderen
Herausforderungen eingegangen, die zeitabhängige Daten mit sich bringen. Der Fokus liegt auf
der Vermittlung von praktischen Strategien und Werkzeugen, um Zeitreihendaten optimal für
maschinelles Lernen und Prognosen zu nutzen.

Wie lassen sich auch ohne einwandfreie Daten effektiv KI-Projekten umsetzen?

Lorem ipsum dolor sit amet, consectetur adipisicing elit. Optio, neque qui velit. Magni dolorum quidem ipsam eligendi, totam, facilis laudantium cum accusamus ullam voluptatibus commodi numquam, error, est. Ea, consequatur.

Virtuelle Sensoren machen das Unsichtbare messbar – von der inneren Temperatur bis zum Verschleiß. Kombiniert mit KI eröffnen sie neue
Möglichkeiten für Prozessoptimierung und Nachhaltigkeit. Der Vortrag zeigt Funktionsweise, Praxisbeispiele und lädt zur Entwicklung eigener
Anwendungsideen ein.

Einsatzbereiche klassischer ML-Methoden in einer GenAI-dominierten Welt
Generative KI ist mächtig, hat aber Grenzen. Der Vortrag erläutert grundlegende Unterschiede und demonstriert an praktischen Beispiel wann
klassische Machine Learning (ML)-Ansätze die bessere Wahl sind und wie beide Welten sinnvoll kombiniert werden können.

Wie KI auf kleine Geräte kommt
Der Vortrag behandelt die Herausforderungen und Techniken, KI-Modelle für den Einsatz auf ressourcenbeschränkten Edge-Geräten zu
optimieren. Der Fokus liegt auf der praktischen Bedeutung von Model Compression und speziellen Edge-Frameworks, um KI ohne Cloud-
Abhängigkeit nutzbar zu machen.

Wir zeigen auf, wie auch mit wenig KI-Kenntnissen eine Anwendung erstellt werden kann, die zukünftige Photovoltaik-Erzeugnissen z.B. der eigenen Dachanlage vorhersagen kann.

Wie selbstlernende Systeme verwendet werden können um optimale Strategien zu finden und Entscheidungen zu treffen.

Die richtige Wahl des ML Modells bei Zeitreihen-Daten.

Foundation Models haben die KI-Landschaft neu definiert doch der Blick auf ihre Möglichkeiten bleibt
oft auf Sprachmodelle beschränkt. Dieser Vortrag rückt andere Datenmodalitäten in den Fokus,
zeigt, wie Foundation Modelle neue Anwendungen ermöglichen können, zeigt Beispiele und
diskutiert kritisch ihre Limitationen.

Vortrag über die Vorteile von probabilitischen Vorhersagen mit KI für Verkaufs oder Leistungsprognose.

Retrieval-Augmented Generation (RAG) gilt als Schlüsseltechnologie, um große Sprachmodelle mit
aktuellem oder domänenspezifischem Wissen zu verbinden. Während viele Lösungen Cloud-
basiert sind, zeigt dieser Vortrag, wie sich ein RAG-System lokal betreiben lässt – mit eigener
Infrastruktur, lokaler Datenhaltung und maßgeschneiderter Architektur. Am Beispiel des Projekts
ChatZSW werden die zentralen Bausteine vorgestellt: von Datenaufnahme, Chunking und
Vektorisierung über Retrieval und Session-Management bis hin zu Deployment und Observability.
Der Fokus liegt auf praktischen Erfahrungen: Was funktioniert gut, welche Stolpersteine gibt es,
und welche Best Practices helfen beim produktionsnahen Betrieb?

Daten von 1 bis n Dimensionen einfach verarbeiten und visualisieren.

Untertitel_final_v2.exe vermeiden
Nachhaltige KI erfordert strukturierte Workflows mit MLOps Tools. Am Beispiel von MLflow wird
gezeigt, wie sich Train–Test–Deploy effizient und reproduzierbar gestalten lässt – mit
Praxisbeispielen und Live-Demo.

Wie man Transfer-Learing verwenden kann um mit weniger Daten und Rechenaufwand gute KI-Modelle zu erzeugen.

Machine Learning vs. klassische Bildverarbeitungsmethoden anhand von Fallbeispielen in Python.

Einführungsvortrag über die Chancen und Anwendungsmöglichkeiten wie durch KI Unternehmen mehr Nachhaltigkeit erzielen können. Inklusive Praxisbeispiele.

Hyper oder Innovation? Ein Einführungsvortrag.

Anhand des Projekts BirdRecorder wird gezeigt, wie KI zum Vogeschutz beitragen kann und welche Herausforderungen sich dabei stelle.

Konzepte, Anwendungspotenziale und Herausforderungen.

Vortrag über Fallstricke und Lösungswege bei der Datenaufbereitung und Sammlung für KI-Anwendungen.

Multi-Objective Optimization für nachhaltige Lösungen.