![\"\"](\"https:\/\/www.hsu-hh.de\/iai\/wp-content\/uploads\/sites\/925\/2024\/06\/Kompetenzen-1024x505.png\")
<\/figure>\n\n\n\nKompetenz 1: Transdisziplin\u00e4re Zusammenarbeit<\/strong><\/p>\n\n\n\n Um ganzheitliche L\u00f6sungsans\u00e4tze im Bereich KI entwickeln und reflektieren zu k\u00f6nnen, sind transdisziplin\u00e4re Perspektiven zunehmend unverzichtbar. So erfordern beispielsweise Fragen von Ethik oder der Sozialvertr\u00e4glichkeit von Technikl\u00f6sungen einen intensiven Austausch unterschiedlicher Disziplinen, die die kritische Reflexion der jeweils eigenen Begrifflichkeiten oder Wertannahmen systematisch einschlie\u00dft. Dieser reflektierende Blick muss auch entsprechenden Bildungsans\u00e4tzen zugrunde liegen.<\/p>\n\n\n\n Kompetenz 2: Tailored AI<\/strong><\/p>\n\n\n\n Abh\u00e4ngig von der konkreten Anwendung, der Datenlage, Anforderungen bzw.<\/abbr> Anspr\u00fcchen seitens des menschlichen Parts in der Interaktion von Mensch und Maschine (KI) oder den gesellschaftlichen Implikationen werden unterschiedliche Arten von KI relevant. Dies bezieht sich beispielsweise auf das Spektrum von direkt interpretierbaren, sog.<\/abbr> White-Box Modellen auf der einen und reinen Black-Box Verfahren auf der anderen Seite, und erfordert in diesem Zusammenhang oft ein anwendungsabh\u00e4ngiges Austarieren von Interpretierbarkeit und Vorhersagequalit\u00e4t. Im Bereich Prescriptive Decision Analytics reicht das Methodenspektrum je nach Anwendungsanforderung von Verfahren f\u00fcr deterministische Optimierungsprobleme, \u00fcber mehrstufige sequenzielle Entscheidungsprobleme unter Unsicherheit bis hin zu dezentralen Koordinationsproblemen mit autonomen Akteuren. Daneben k\u00f6nnen die Qualit\u00e4t und Menge der zur Verf\u00fcgung stehenden Daten und Variablen in unterschiedlichen Anwendungen sehr unterschiedlich sein. Es wird also schwerlich m\u00f6glich sein mit einer einzelnen Art von KI-System jeder Anwendung und jeder Situation gerecht zu werden. KI@Bw bietet in diesem Kontext einen ganzheitlichen Blick auf Fragen des Prozess-Designs, der Variablen ganz unterschiedlicher Art und Dimensionen mit einschlie\u00dft.<\/p>\n\n\n\n Kompetenz 3: KI in den Ingenieurwissenschaften<\/strong><\/p>\n\n\n\n Die Ergebnisse nichttechnischer ML-Anwendungen werden in der Regel von einem Menschen interpretiert und \u00fcberpr\u00fcft. Der Einsatz von ML in einem technischen System hingegen bedeutet oft, dass die Anwendung in einem geschlossenen Regelkreis erfolgt: Die Ergebnisse werden von einer Software interpretiert und dann automatisch zur Optimierung verwendet. Dieses andere Nutzungsszenario schafft Herausforderungen, die CPS von nicht-technischem ML unterscheiden Anwendungen. Im Kern wird eine h\u00f6here Robustheit und Resilienz von den KI-Systemen in den Ingenieurwissenschaften verlangt: (i) Das Hauptmerkmal aller physikalischen Systeme besteht darin, dass ihr Verhalten \u00fcber die Zeit und nicht nur zu einem bestimmten Zeitpunkt betrachtet werden muss \u2013 daher m\u00fcssen beispielsweise die eingesetzten ML-Verfahren auch das Systemverhalten \u00fcber die Zeit ber\u00fccksichtigen und vorhersagen. (ii) Um ML-Verfahren und erlernte Modelle in CPS nutzen zu k\u00f6nnen, ist es zwingend erforderlich, die Unsicherheit der Vorhersagen der ML-Systeme zu bewerten. Unsicherheiten entstehen oft durch Rauschen der Sensordaten,Messfehler oder durch nicht beobachtbare Werte bzw.<\/abbr> St\u00f6rgr\u00f6\u00dfen (\u201cConfounding Effects\u201d). (iii) F\u00fcr CPS gibt es bereits in der Entwurfsphase umfangreiches Vorwissen, das auf physikalischen Gesetzen und technischem Wissen basiert. Dieses individuelle Wissen soll zur Verbesserung der KI-Praktiken genutzt werden. Insbesondere bei ML-L\u00f6sungen kann Vorwissen den Bedarf an gro\u00dfen Datenmengen verringern. (iv) KI-Ergebnisse und generierte Modelle m\u00fcssen menschlichen Bedienern erkl\u00e4rt werden: Dazu m\u00fcssen symbolische Konzepte aus den (numerischen) Modellen gelernt werden. Hierzu werden Erl\u00e4uterungen und Begr\u00fcndungen generiert.<\/p>\n\n\n\n Kompetenz 4: Datafizierung und Data Literacy<\/strong><\/p>\n\n\n\n Im Sinne der beschriebenen Ans\u00e4tze charakterisiert KI@Bw ein multiperspektiver Zugang zum Thema Daten und Data Science. So spielen Data Literacy-Modelle eine gro\u00dfe Rolle beim Verst\u00e4ndnis von und der reflektierten Gestaltung von KI-Systemen. Ebenso hilft der Begriff der Datafizierung dabei, die umfassenden soziotechnischen Strukturzusammenh\u00e4nge von KI zu greifen und bearbeitbar zu machen. Semantische Technologien tragen zur Verbesserung der Datenqualit\u00e4t und der Qualit\u00e4t von KI-Systemen bei, indem sie ein tieferes Verst\u00e4ndnis des Inhalts von Daten und ihres Kontextes erm\u00f6glichen. Dar\u00fcber hinaus ist eine sorgf\u00e4ltige Datenallokation von entscheidender Bedeutung, um sicherzustellen, dass die KI-Algorithmen mit qualitativ hochwertigen und repr\u00e4sentativen Daten trainiert werden. KI-Ans\u00e4tze finden in den Cognitives Sciences seit jeher Anwendung in der Modellierung mentaler Prozesse.<\/p>\n","protected":false},"excerpt":{"rendered":" Die folgende Grafik zeigt die inhaltlichen, methodischen und technischen Kompetenzen im Institut. Kompetenz 1: Transdisziplin\u00e4re Zusammenarbeit Um ganzheitliche L\u00f6sungsans\u00e4tze im Bereich KI entwickeln und reflektieren zu k\u00f6nnen, sind transdisziplin\u00e4re Perspektiven […]<\/p>\n","protected":false},"author":2355,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"categories":[46],"tags":[],"class_list":["post-147","page","type-page","status-publish","hentry","category-kompetenzen"],"_links":{"self":[{"href":"https:\/\/www.hsu-hh.de\/iai\/wp-json\/wp\/v2\/pages\/147","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hsu-hh.de\/iai\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.hsu-hh.de\/iai\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/iai\/wp-json\/wp\/v2\/users\/2355"}],"replies":[{"embeddable":true,"href":"https:\/\/www.hsu-hh.de\/iai\/wp-json\/wp\/v2\/comments?post=147"}],"version-history":[{"count":10,"href":"https:\/\/www.hsu-hh.de\/iai\/wp-json\/wp\/v2\/pages\/147\/revisions"}],"predecessor-version":[{"id":728,"href":"https:\/\/www.hsu-hh.de\/iai\/wp-json\/wp\/v2\/pages\/147\/revisions\/728"}],"wp:attachment":[{"href":"https:\/\/www.hsu-hh.de\/iai\/wp-json\/wp\/v2\/media?parent=147"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/iai\/wp-json\/wp\/v2\/categories?post=147"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.hsu-hh.de\/iai\/wp-json\/wp\/v2\/tags?post=147"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}