SlideShare ist ein Scribd-Unternehmen logo
1 von 25
Downloaden Sie, um offline zu lesen
Lost and found im AI-Dschungel:
Anwendungsfälle, Grenzen und
Perspektiven
Prof. Dr. Dr. Roman Egger
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
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
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:
AI
löst unsere Probleme,
also her mit den Daten!
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”
GPT4
Midjourney
DALL-E
FALCON
LLAMA2
BARD
ANTHROPIC
GEMINI
RAVEN
DREAMSTUDIO
CRAIYON
KOSMOS2
MISTRAL
CLAUDE2
Was momentan passiert...
BERT
340M
Es ist eine schnelle Evolution - Keine Revolution
GPT4 - März 2023
März
-
November
-
2023
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?)
Schon ein alter Hut?
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
Bahnbrechende Neuerungen
am laufenden Band
DALL-E3 in GPT
GPT Voice
Intenet browsen
Mit Fotos chatten
Midjourney 5.2
AI-generierte Podcasts
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.
Effekte auf den Arbeitsmarkt / Job Profile
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
DDr. Roman Egger
Smartvisions.at
roman.egger@smartvisions.at

Weitere ähnliche Inhalte

Was ist angesagt?

Introduction to Visual transformers
Introduction to Visual transformers Introduction to Visual transformers
Introduction to Visual transformers leopauly
 
MLデザインパターン入門_Embeddings
MLデザインパターン入門_EmbeddingsMLデザインパターン入門_Embeddings
MLデザインパターン入門_EmbeddingsMasakazu Shinoda
 
An introduction to computer vision with Hugging Face
An introduction to computer vision with Hugging FaceAn introduction to computer vision with Hugging Face
An introduction to computer vision with Hugging FaceJulien SIMON
 
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装するSMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装するsleepy_yoshi
 
2021 10-07 kdd2021読み会 uc phrase
2021 10-07 kdd2021読み会 uc phrase2021 10-07 kdd2021読み会 uc phrase
2021 10-07 kdd2021読み会 uc phraseTatsuya Shirakawa
 
Ai 그까이거
Ai 그까이거Ai 그까이거
Ai 그까이거도형 임
 
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用SSII
 
Deep Learning for Recommender Systems
Deep Learning for Recommender SystemsDeep Learning for Recommender Systems
Deep Learning for Recommender SystemsJustin Basilico
 
Impulse ChatGPT and Generative AI Tools in Corporate Learning
Impulse ChatGPT and Generative AI Tools in Corporate LearningImpulse ChatGPT and Generative AI Tools in Corporate Learning
Impulse ChatGPT and Generative AI Tools in Corporate LearningJan Foelsing
 
Factorization Machines and Applications in Recommender Systems
Factorization Machines and Applications in Recommender SystemsFactorization Machines and Applications in Recommender Systems
Factorization Machines and Applications in Recommender SystemsEvgeniy Marinov
 
いまさら聞けない機械学習の評価指標
いまさら聞けない機械学習の評価指標いまさら聞けない機械学習の評価指標
いまさら聞けない機械学習の評価指標圭輔 大曽根
 
Google Cloud Machine Learning
 Google Cloud Machine Learning  Google Cloud Machine Learning
Google Cloud Machine Learning India Quotient
 
Ethics of AI - AIの倫理-
Ethics of AI - AIの倫理-Ethics of AI - AIの倫理-
Ethics of AI - AIの倫理-Daiyu Hatakeyama
 
[DL輪読会]StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generat...
[DL輪読会]StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generat...[DL輪読会]StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generat...
[DL輪読会]StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generat...Deep Learning JP
 
Explainability for Natural Language Processing
Explainability for Natural Language ProcessingExplainability for Natural Language Processing
Explainability for Natural Language ProcessingYunyao Li
 
テーブル・テキスト・画像の反実仮想説明
テーブル・テキスト・画像の反実仮想説明テーブル・テキスト・画像の反実仮想説明
テーブル・テキスト・画像の反実仮想説明tmtm otm
 
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38horihorio
 

Was ist angesagt? (20)

Introduction to Visual transformers
Introduction to Visual transformers Introduction to Visual transformers
Introduction to Visual transformers
 
MLデザインパターン入門_Embeddings
MLデザインパターン入門_EmbeddingsMLデザインパターン入門_Embeddings
MLデザインパターン入門_Embeddings
 
An introduction to computer vision with Hugging Face
An introduction to computer vision with Hugging FaceAn introduction to computer vision with Hugging Face
An introduction to computer vision with Hugging Face
 
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装するSMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装する
 
2021 10-07 kdd2021読み会 uc phrase
2021 10-07 kdd2021読み会 uc phrase2021 10-07 kdd2021読み会 uc phrase
2021 10-07 kdd2021読み会 uc phrase
 
Ai 그까이거
Ai 그까이거Ai 그까이거
Ai 그까이거
 
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
 
Deep Learning for Recommender Systems
Deep Learning for Recommender SystemsDeep Learning for Recommender Systems
Deep Learning for Recommender Systems
 
Impulse ChatGPT and Generative AI Tools in Corporate Learning
Impulse ChatGPT and Generative AI Tools in Corporate LearningImpulse ChatGPT and Generative AI Tools in Corporate Learning
Impulse ChatGPT and Generative AI Tools in Corporate Learning
 
Factorization Machines and Applications in Recommender Systems
Factorization Machines and Applications in Recommender SystemsFactorization Machines and Applications in Recommender Systems
Factorization Machines and Applications in Recommender Systems
 
いまさら聞けない機械学習の評価指標
いまさら聞けない機械学習の評価指標いまさら聞けない機械学習の評価指標
いまさら聞けない機械学習の評価指標
 
Google Cloud Machine Learning
 Google Cloud Machine Learning  Google Cloud Machine Learning
Google Cloud Machine Learning
 
Ethics of AI - AIの倫理-
Ethics of AI - AIの倫理-Ethics of AI - AIの倫理-
Ethics of AI - AIの倫理-
 
[DL輪読会]StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generat...
[DL輪読会]StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generat...[DL輪読会]StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generat...
[DL輪読会]StackGAN: Text to Photo-realistic Image Synthesis with Stacked Generat...
 
Explainability for Natural Language Processing
Explainability for Natural Language ProcessingExplainability for Natural Language Processing
Explainability for Natural Language Processing
 
テーブル・テキスト・画像の反実仮想説明
テーブル・テキスト・画像の反実仮想説明テーブル・テキスト・画像の反実仮想説明
テーブル・テキスト・画像の反実仮想説明
 
그림 그리는 AI
그림 그리는 AI그림 그리는 AI
그림 그리는 AI
 
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
 
Contrastive learning 20200607
Contrastive learning 20200607Contrastive learning 20200607
Contrastive learning 20200607
 
Anomaly detection survey
Anomaly detection surveyAnomaly detection survey
Anomaly detection survey
 

Ähnlich wie TFF2023 - Navigating Tourism Data Nexus

Der Wert von Daten in Zeiten von "Big Data"
Der Wert von Daten in Zeiten von "Big Data"Der Wert von Daten in Zeiten von "Big Data"
Der Wert von Daten in Zeiten von "Big Data"Thilo Stadelmann
 
Big Data ist hier um zu bleiben
Big Data ist hier um zu bleibenBig Data ist hier um zu bleiben
Big Data ist hier um zu bleibenFLARECAST
 
Machine Learning - Eine Einführung der COMLINE Business Consulting
Machine Learning - Eine Einführung der COMLINE Business ConsultingMachine Learning - Eine Einführung der COMLINE Business Consulting
Machine Learning - Eine Einführung der COMLINE Business ConsultingChristian Guenther
 
Künstliche Intelligenz in der Rekrutierung
Künstliche Intelligenz in der RekrutierungKünstliche Intelligenz in der Rekrutierung
Künstliche Intelligenz in der RekrutierungHays
 
Cognitive PR: Datengetriebene Kommunikation und KI in der PR - Handlungsfeld...
 Cognitive PR: Datengetriebene Kommunikation und KI in der PR - Handlungsfeld... Cognitive PR: Datengetriebene Kommunikation und KI in der PR - Handlungsfeld...
Cognitive PR: Datengetriebene Kommunikation und KI in der PR - Handlungsfeld...Jörg Hoewner
 
DOAG News 2012 - Analytische Mehrwerte mit Big Data
DOAG News 2012 - Analytische Mehrwerte mit Big DataDOAG News 2012 - Analytische Mehrwerte mit Big Data
DOAG News 2012 - Analytische Mehrwerte mit Big DataHarald Erb
 
Big Data im Personalmanagement (HRM)
Big Data im Personalmanagement (HRM)Big Data im Personalmanagement (HRM)
Big Data im Personalmanagement (HRM)Stephan Kaiser
 
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)Praxistage
 
Daten ohne Grenzen – Big Data
Daten ohne Grenzen – Big DataDaten ohne Grenzen – Big Data
Daten ohne Grenzen – Big DataAWS Germany
 
Megatrends zum Thema Zukunft der Arbeit
Megatrends zum Thema Zukunft der ArbeitMegatrends zum Thema Zukunft der Arbeit
Megatrends zum Thema Zukunft der Arbeit42medien
 
Arbeit 4.0: Megatrends digitaler Arbeit der Zukunft - 25 Thesen
Arbeit 4.0: Megatrends digitaler Arbeit der Zukunft - 25 ThesenArbeit 4.0: Megatrends digitaler Arbeit der Zukunft - 25 Thesen
Arbeit 4.0: Megatrends digitaler Arbeit der Zukunft - 25 ThesenDanielPoetzsch
 
Mittelstand trifft künstliche Intelligenz - Point of View
Mittelstand trifft künstliche Intelligenz - Point of ViewMittelstand trifft künstliche Intelligenz - Point of View
Mittelstand trifft künstliche Intelligenz - Point of ViewWeissmanGruppe
 
Data Science - (K)eine Teenagerliebe
Data Science - (K)eine TeenagerliebeData Science - (K)eine Teenagerliebe
Data Science - (K)eine TeenagerliebeThilo Stadelmann
 
Ontologien für Fachportale - Voraussetzungen und Nutzenpotentiale
Ontologien für Fachportale - Voraussetzungen und NutzenpotentialeOntologien für Fachportale - Voraussetzungen und Nutzenpotentiale
Ontologien für Fachportale - Voraussetzungen und NutzenpotentialeAndreas Schmidt
 
Project Cortex – Die Revolution für das Wissensmanagement in der Microsoft Welt?
Project Cortex – Die Revolution für das Wissensmanagement in der Microsoft Welt?Project Cortex – Die Revolution für das Wissensmanagement in der Microsoft Welt?
Project Cortex – Die Revolution für das Wissensmanagement in der Microsoft Welt?Michael Greth
 

Ähnlich wie TFF2023 - Navigating Tourism Data Nexus (20)

Der Wert von Daten in Zeiten von "Big Data"
Der Wert von Daten in Zeiten von "Big Data"Der Wert von Daten in Zeiten von "Big Data"
Der Wert von Daten in Zeiten von "Big Data"
 
Big Data ist hier um zu bleiben
Big Data ist hier um zu bleibenBig Data ist hier um zu bleiben
Big Data ist hier um zu bleiben
 
Machine Learning - Eine Einführung der COMLINE Business Consulting
Machine Learning - Eine Einführung der COMLINE Business ConsultingMachine Learning - Eine Einführung der COMLINE Business Consulting
Machine Learning - Eine Einführung der COMLINE Business Consulting
 
Künstliche Intelligenz in der Rekrutierung
Künstliche Intelligenz in der RekrutierungKünstliche Intelligenz in der Rekrutierung
Künstliche Intelligenz in der Rekrutierung
 
Cognitive PR: Datengetriebene Kommunikation und KI in der PR - Handlungsfeld...
 Cognitive PR: Datengetriebene Kommunikation und KI in der PR - Handlungsfeld... Cognitive PR: Datengetriebene Kommunikation und KI in der PR - Handlungsfeld...
Cognitive PR: Datengetriebene Kommunikation und KI in der PR - Handlungsfeld...
 
DOAG News 2012 - Analytische Mehrwerte mit Big Data
DOAG News 2012 - Analytische Mehrwerte mit Big DataDOAG News 2012 - Analytische Mehrwerte mit Big Data
DOAG News 2012 - Analytische Mehrwerte mit Big Data
 
Big Data und Machine Learning - Wer braucht das schon!?
Big Data und Machine Learning - Wer braucht das schon!?Big Data und Machine Learning - Wer braucht das schon!?
Big Data und Machine Learning - Wer braucht das schon!?
 
Big Data im Personalmanagement (HRM)
Big Data im Personalmanagement (HRM)Big Data im Personalmanagement (HRM)
Big Data im Personalmanagement (HRM)
 
Lernen und Arbeiten im 21. Jahrhundert
Lernen und Arbeiten im 21. JahrhundertLernen und Arbeiten im 21. Jahrhundert
Lernen und Arbeiten im 21. Jahrhundert
 
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)
Dr. Clemens Wagner-Bruschek, ERP (d-fine Austria)
 
Big Data und Machine Learning - Wer braucht das schon!?
Big Data und Machine Learning - Wer braucht das schon!?Big Data und Machine Learning - Wer braucht das schon!?
Big Data und Machine Learning - Wer braucht das schon!?
 
Daten ohne Grenzen – Big Data
Daten ohne Grenzen – Big DataDaten ohne Grenzen – Big Data
Daten ohne Grenzen – Big Data
 
Big Data und Machine Learning - Wer braucht das schon!
Big Data und Machine Learning - Wer braucht das schon!Big Data und Machine Learning - Wer braucht das schon!
Big Data und Machine Learning - Wer braucht das schon!
 
Megatrends zum Thema Zukunft der Arbeit
Megatrends zum Thema Zukunft der ArbeitMegatrends zum Thema Zukunft der Arbeit
Megatrends zum Thema Zukunft der Arbeit
 
Arbeit 4.0: Megatrends digitaler Arbeit der Zukunft - 25 Thesen
Arbeit 4.0: Megatrends digitaler Arbeit der Zukunft - 25 ThesenArbeit 4.0: Megatrends digitaler Arbeit der Zukunft - 25 Thesen
Arbeit 4.0: Megatrends digitaler Arbeit der Zukunft - 25 Thesen
 
Mittelstand trifft künstliche Intelligenz - Point of View
Mittelstand trifft künstliche Intelligenz - Point of ViewMittelstand trifft künstliche Intelligenz - Point of View
Mittelstand trifft künstliche Intelligenz - Point of View
 
Metadaten präsentation
Metadaten präsentationMetadaten präsentation
Metadaten präsentation
 
Data Science - (K)eine Teenagerliebe
Data Science - (K)eine TeenagerliebeData Science - (K)eine Teenagerliebe
Data Science - (K)eine Teenagerliebe
 
Ontologien für Fachportale - Voraussetzungen und Nutzenpotentiale
Ontologien für Fachportale - Voraussetzungen und NutzenpotentialeOntologien für Fachportale - Voraussetzungen und Nutzenpotentiale
Ontologien für Fachportale - Voraussetzungen und Nutzenpotentiale
 
Project Cortex – Die Revolution für das Wissensmanagement in der Microsoft Welt?
Project Cortex – Die Revolution für das Wissensmanagement in der Microsoft Welt?Project Cortex – Die Revolution für das Wissensmanagement in der Microsoft Welt?
Project Cortex – Die Revolution für das Wissensmanagement in der Microsoft Welt?
 

Mehr von TourismFastForward

TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTourismFastForward
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTourismFastForward
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTourismFastForward
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTourismFastForward
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTourismFastForward
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTourismFastForward
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTourismFastForward
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTourismFastForward
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTourismFastForward
 

Mehr von TourismFastForward (20)

TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data Nexus
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data Nexus
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data Nexus
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data Nexus
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data Nexus
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data Nexus
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data Nexus
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data Nexus
 
TFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data NexusTFF2023 - Navigating Tourism Data Nexus
TFF2023 - Navigating Tourism Data Nexus
 
TFF2022 - Mobility in Tourism
TFF2022 - Mobility in TourismTFF2022 - Mobility in Tourism
TFF2022 - Mobility in Tourism
 
TFF2022 - Mobility in Tourism
TFF2022 - Mobility in TourismTFF2022 - Mobility in Tourism
TFF2022 - Mobility in Tourism
 
TFF2022 - Mobility in Tourism
TFF2022 - Mobility in TourismTFF2022 - Mobility in Tourism
TFF2022 - Mobility in Tourism
 
TFF2022 - Mobility in Tourism
TFF2022 - Mobility in TourismTFF2022 - Mobility in Tourism
TFF2022 - Mobility in Tourism
 
TFF2022 - Mobility in Tourism
TFF2022 - Mobility in TourismTFF2022 - Mobility in Tourism
TFF2022 - Mobility in Tourism
 
TFF2022 - Mobility in Tourism
TFF2022 - Mobility in TourismTFF2022 - Mobility in Tourism
TFF2022 - Mobility in Tourism
 
TFF2022 - Mobility in Tourism
TFF2022 - Mobility in TourismTFF2022 - Mobility in Tourism
TFF2022 - Mobility in Tourism
 
TFF2022 - Mobility in Tourism
TFF2022 - Mobility in TourismTFF2022 - Mobility in Tourism
TFF2022 - Mobility in Tourism
 
TFF2022 Mobility in Tourism
TFF2022 Mobility in TourismTFF2022 Mobility in Tourism
TFF2022 Mobility in Tourism
 
TFF2022 - Mobility in Tourism
TFF2022 - Mobility in TourismTFF2022 - Mobility in Tourism
TFF2022 - Mobility in Tourism
 
TFF2022 - Mobility in Tourism
TFF2022 - Mobility in TourismTFF2022 - Mobility in Tourism
TFF2022 - Mobility in Tourism
 

TFF2023 - Navigating Tourism Data Nexus

  • 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:
  • 6. AI löst unsere Probleme, also her mit den Daten!
  • 7.
  • 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?)
  • 14.
  • 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
  • 16.
  • 17. Bahnbrechende Neuerungen am laufenden Band DALL-E3 in GPT GPT Voice Intenet browsen Mit Fotos chatten
  • 18.
  • 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.
  • 22. Effekte auf den Arbeitsmarkt / Job Profile
  • 23.
  • 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