1. Lost and found im AI-Dschungel:
Anwendungsfälle, Grenzen und
Perspektiven
Prof. Dr. Dr. Roman Egger
2.
3. Artificial Intelligence (AI)
menschliche Intelligenz die von Maschinen
gezeigt wird
Machine Learning (ML)
Systeme lernen aus Daten
- ein Ansatz um AI zu erreichen
Deep Learning (DL)
Neuronale Netze die komplexe Muster
modellieren
Data
Science
Methoden,
Algorithmen
und
Modelle
regelbasiertes Denken
ML
DL
Natural
Language
Processing
Topic Modeling
Sentiment Analysis
Generation and Translation
etc.
Computer
Vision
Sprache
Robotik
Objekterkennung
Generierung
Klassifizierung
etc.
AI-Bereiche
4. Präskriptive AI
Nutzt Vorhersage und Optimierung,
um die Auswahl einer Vorgehensweise
zur Erreichung eines gewünschten Ergebnisses
zu ermöglichen
Beispiel:
Gewinnmaximierung durch
Optimierung der Prozesse
Generative AI
Generierung von Text, Bildern oder
anderen Medien als Ergebnis eines Prompts
Beispiel:
Bildgenerierung durch Midjourney, DALL-E...
ChatGPT, Bard...
Prädiktive AI
Nutzt historische Daten um Vorhersagen
zu treffen.
Beispiel:
Vorhersage von Trends, Vorhersage von
Ankünften etc.
AI
Technologien klassisches
Machine Learning
on Fire
5. Prädiktive AI
Zeitreihenanalyse
Nachfrageprognose
Preisoptimierung
Wartung und Ressourcenmanagement
Optimierung von Marketingcampagnen
etc.
Beispiele nummerische Werte:
Topic Modeling
Sentiment Analyse
Textklassifikation
Textclustering
Keyword Extraction
etc.
Beispiele Textanalyse:
Bildwelten analysieren
Overcrowding
Verkehrsmanagement
Lawinengefahren
Schneequalität
etc.
Beispiele Image Processing:
8. Datenqualität und -genauigkeit: Ungenaue, unvollständige oder veraltete Daten
können zu unzuverlässigen Ergebnissen führen.
Verzerrung und Diskriminierung: Daten, die inhärente Vorurteile widerspiegeln,
können dazu führen, dass KI-Systeme diskriminierende Entscheidungen treffen.
Überanpassung (Overfitting): Wenn ein KI-Modell zu spezifisch auf Trainingsdaten
abgestimmt ist, kann es neue oder abweichende Daten nicht effektiv verarbeiten.
Unteranpassung (Underfitting): Ein zu einfaches Modell, das nicht alle Aspekte der
Daten erfasst, kann zu ungenauen Vorhersagen führen.
Datensicherheit und Datenschutz: Der Umgang mit sensiblen Daten birgt Risiken
hinsichtlich Sicherheitsverletzungen und Datenschutzverletzungen.
Datenverfügbarkeit: Der Mangel an relevanten oder umfangreichen Daten kann die
Entwicklung und das Training effektiver KI-Modelle begrenzen.
Repräsentativität der Daten: Daten, die nicht die Vielfalt der realen Welt
widerspiegeln, können zu eingeschränkter Anwendbarkeit der KI führen.
Dateninterpretation: Fehlinterpretationen von Daten können zu falschen
Schlussfolgerungen oder Vorurteilen führen.
Komplexität und Volumen der Daten: Die Verarbeitung und Analyse von großen und
komplexen Datensätzen kann technisch herausfordernd und ressourcenintensiv sein.
Ethische Bedenken: Fragen rund um die ethische Nutzung von Daten, insbesondere im
Hinblick auf Privatsphäre und Einwilligung.
“cook data with care”
11. Es ist eine schnelle Evolution - Keine Revolution
GPT4 - März 2023
März
-
November
-
2023
12. Was nutzen Sie...? (GPT-3.5, GPT-4, GPT-4-turbo... Web / API)
Wofür nutzen Sie...? (Änderungen im Arbeitsalltag)
Wie nutzen Sie...? (Welche Medienkompetenz haben Sie?)
15. Verwenden Sie Ihre eigenen externen Daten... Externe
Daten
Daten-
basis
Text
Ähnlichkeit
Anstoß:
Ähnlicher Text
User Anfrage
GPT
Antwort
Anstoß
www.alpenblick.at/de/chat-gpt
21. Veränderungen im Tourismus...
Personalisierte Reiseempfehlungen
Chatbot-Unterstützung im Kundenservice
Sprachübersetzung und kulturelles Verständnis
Datenanalyse für das Management
Progonseanalyse
Smarte Hotels & Robotik
Content-Erstellung und Marketing
Risikobewertung und Sicherheitsmaßnahmen
Nachhaltige Tourismusplanung
u.v.m.
24. Herausforderungen
Die Welt dreht sich noch schneller
Die Auswirkungen werden noch deutlicher spürbar sein
Verweigern ist keine Option
Anforderungen
Gemeinsam den Herausforderungen stellen
Lebenslanges Lernen (von einander)
Mutiger und proaktiver Umgang mi dem Thema AI