• alt " "

Künstliche Intelligenz und Datenethik in Projekten

Für dieses Training erhalten Sie ein Teilnahmezertifikat von Spirit in Projects.

Sind Sie bereit für Innovation und möchten gleichzeitig gesellschaftliche Verantwortung übernehmen? Dann möchten Sie sich vielleicht mit ethischen Dilemmata und den Messmöglichkeiten zur Qualität von Künstlicher Intelligenz auseinandersetzen. Wenn Sie mehr über die Verpflichtungen im Zusammenhang mit KI-Anwendungen erfahren und aktiv an aktuellen Diskussionen teilnehmen möchten, dann freuen Sie sich auf dieses Training. Gemeinsam analysieren wir Case Studies, diskutieren die globalen Auswirkungen der KI-Entwicklung und setzen uns intensiv mit den Anforderungen des EU AI Act sowie dessen Folgen auseinander. Zusätzlich lernen Sie die Besonderheiten des Projektmanagements von KI-Projekten kennen und simulieren einen Moot Court.

Wir empfehlen:

alt " "

Ziele

  • KI-Ethik verstehen und in der Praxis anwenden
  • Ethische Richtlinien für den Einsatz von KI im Unternehmen entwickeln
  • Datenschutz-Anforderungen und Bias-Herausforderungen bewältigen
  • Relevante rechtliche Rahmenbedingungen diskutieren und umsetzen
  • Best Practices für ethische KI-Entwicklung analysieren
  • KI-Projekte erfolgreich planen und managen
  • MLOps und Model Governance implementieren

Zielgruppen:

Business Analyst, Requirements Engineer, AI Expert, Project Manager, Projektleiter, Demand Manager, Portfoliomanager, IT-Projektleiter, Product Owner, Compliance Manager, Legal Counsel, Data Protection Officer und alle, die sich mit KI-Ethik und KI-Projektmanagement beschäftigen möchten.

Termine anzeigen

Inhalt

1. Grundlagen

  • Ethik und KI
  • Prinzipien ethischer KI-Entwicklung
  • KI-Ethik-Dilemmas in der Praxis
  • Ethische Vernunft
  • Verantwortungsvolle KI (Responsible AI)

2. Datenschutz

  • Überblick zur DSGVO
  • Prinzipien der Datenverarbeitung
  • Rechte und Pflichten
  • Rolle des Datenschutzbeauftragten
  • Herausforderungen bei KI-Systemen
  • Privacy by Design
  • Anonymisierung und Pseudonymisierung

3. EU AI Act

  • Überblick des EU AI Act
  • KI-Systeme einteilen: Risiko-Kategorien
  • Verbotene KI-Praktiken
  • Hochrisiko-KI-Systeme
  • Verantwortlichkeiten und Pflichten
  • Anforderungen an Transparenz und Dokumentation
  • Konsequenzen bei Nicht-Einhaltung
  • Praktische Umsetzung im Unternehmen

4. Bias und Fairness

  • Was ist Bias in KI-Systemen?
  • Arten von Bias: Data Bias, Algorithmic Bias, Human Bias
  • Auswirkungen unfairer KI-Systeme
  • Fairness-Metriken und Definitionen
  • Methoden zur Bias-Erkennung
  • Mitigation-Strategien
  • Fairness-aware Machine Learning
  • Case Studies zu Bias-Vorfällen

5. Qualität bei KI-Systemen

  • Qualität bei KI: Was bedeutet das?
  • Dimensionen der Qualität
  • Metriken für verschiedene KI-Systeme
  • Unabhängige Testverfahren
  • Validierung und Verifizierung
  • Herausforderungen der Qualitätssicherung
  • Empfehlungen und Trends
  • Continuous Evaluation

6. Eine internationale Perspektive

  • EU: AI Act und digitale Strategie
  • USA: AI Executive Order und regulatorische Ansätze
  • China: Social Scoring und KI-Regulierung
  • Qatar: KI-Strategie und Entwicklung
  • Vereinigte Arabische Emirate: KI-Innovation und Governance
  • Globale Standards und Harmonisierung
  • Vergleich regulatorischer Ansätze

7. Urheberrecht und rechtliche Herausforderungen

  • Überblick zum Urheberrecht
  • Ausnahmen für KI-Training
  • Urheberrecht und digitale Medien
  • KI-generierte Inhalte: Wem gehören sie?
  • Aktuelle Gerichtsverfahren und Präzedenzfälle
  • Haftungsfragen bei KI-Systemen
  • Vertragsgestaltung für KI-Projekte

8. Projektmanagement von KI-Projekten (NEU)

  • KI-Projektlebenszyklus: Von der Idee bis zum Deployment
  • Besonderheiten von KI-Projekten vs. traditionelle IT-Projekte
  • Iterative Entwicklung und Experimentieren
  • Proof of Concept (PoC) Design und Evaluation
  • Data Science Workflow: CRISP-DM für KI-Projekte

9. Rollen und Team-Organisation (NEU)

  • Rollen in KI-Teams: Data Scientists, ML Engineers, AI Product Manager
  • Verantwortlichkeiten und Schnittstellen
  • Interdisziplinäre Zusammenarbeit
  • Skill-Anforderungen und Weiterbildung
  • Externe vs. interne Expertise
  • Stakeholdermanagement in KI Projekten
  • Budget, Ressourcen und KPIs

10. MLOps und Model Governance (NEU)

  • Was ist MLOps? DevOps für Machine Learning
  • CI/CD Pipelines für ML-Modelle
  • Model Versioning und Experiment Tracking
  • Model Registry und Deployment
  • Monitoring und Retraining
  • A/B-Testing und Model Evaluation in Production
  • Tools: MLflow, Weights & Biases, Kubeflow

11. Moot Court

  • Simulation eines Gerichtsverfahrens zu KI-Ethik eines Projektes
  • Rollenverteilung und Vorbereitung
  • Durchführung und Argumentation
  • Reflexion und Lessons Learned
Spirit in Projects