KI-Einsatz verantworten: Potenziale bewerten, Risiken und Projekte lenken

KI-Tagesseminar · 1 Tag

Fundiert über KI-Vorhaben, Infrastruktur und Make-or-Buy entscheiden

Das nehmen Sie mit

• Sie können KI-Begriffe wie Deep Learning, LLM und Feature Engineering sicher einordnen und kennen erprobte Anwendungen aus mehreren Branchen.
• Sie wissen, was ein Machine-Learning-Projekt braucht, wie Qualität gemessen wird und welche Infrastruktur- und Make-or-Buy-Fragen anstehen.
• Sie kennen Gefahren und Rechtsfragen und haben ein Vorgehensmodell, das Sie mit Ihrem vorab abgestimmten Anwendungsfall erprobt haben.

Ablauf

1. Teil 1

   Modul 1 – Grundlagen: Begriffe, die in jeder KI-Entscheidung fallen

   • Was Künstliche Intelligenz ist, aus Sicht derer, die über Mittel und Prioritäten bestimmen
   • Neuronale Netze, Deep Learning, generative KI, Large Language Models und Feature Engineering abgrenzen
   • Einsatzfelder: generative KI, datengetriebene Entscheidungen, Planung und Prozessautomatisierung
2. Teil 2

   Modul 2 – Praxisbeispiele: Wo KI in Unternehmen heute schon arbeitet

   • Live-Demo: Abläufe in der Kundenbetreuung automatisieren, etwa eingehende Anfragen vorsortieren
   • Live-Demo: Ein Chatbot macht das Wissen aus Handbüchern und Richtlinien unternehmensweit abrufbar
   • Predictive Maintenance: neuronale Netze sagen voraus, wann Werkzeuge verschleißen
   • Personalisierte Marketingkampagnen mit passgenauen Werbebotschaften und Angeboten
   • Demand Forecasting: Algorithmen kündigen drohende Produktknappheit in der Lieferkette an
   • Finanzdienstleister erkennen Betrug, indem KI Transaktionsmuster auswertet
   • ChatGPT, Copilot und Bildgeneratoren im Büroalltag zielgerichtet nutzen
3. Teil 3

   Modul 3 – Grenzen: Gefahren, Recht und Ethik vor der Freigabe klären

   • Black-Box-Entscheidungen, Halluzinationen, Bias und Prompt Injection als Risiko für das Unternehmen
   • Rechtsfragen: Datenschutz, Urheberrecht und der europäische AI-Act
   • Ethische Aspekte, die eine Leitung beim KI-Einsatz abwägen muss
4. Teil 4

   Modul 4 – Projektsteuerung: Daten, Qualität, Infrastruktur und Make-or-Buy

   • Lebenszyklus von Machine-Learning-Projekten von der Zielsetzung bis zum Betrieb
   • Wie Datenmenge und Datenqualität über den Projekterfolg mitentscheiden
   • Typische Probleme in Machine-Learning-Projekten früh erkennen und umgehen
   • Qualität über Kennzahlen (KPI), Baselines und Benchmarks absichern
   • IT-Infrastruktur wählen: Cloud-Dienste oder On-Premise, Ökosystem eines Anbieters oder Open Source
   • Make-or-Buy: selbst entwickeln oder eine fertige Lösung einkaufen
5. Teil 5

   Modul 5 – Strategie: Potenziale bündeln und das eigene Vorgehen planen

   • Geschäftsbereiche und Prozesse identifizieren, in denen KI sich lohnen kann
   • Wie sich Jobprofile verändern und welche Qualifikation Mitarbeitende künftig brauchen
   • Evolution oder Disruption: Geschäftsmodelle mit KI weiterentwickeln oder umbauen
   • Ein konkretes Vorgehensmodell für Planung und Umsetzung im eigenen Haus
   • Technologietrends im Blick: multimodale KI und Quantencomputer
   • Übung: Ihr vorab abgestimmter Anwendungsfall wird mit dem Vorgehensmodell durchgearbeitet und besprochen