• Prof. Dr. Seyed Eghbal Ghobadi

• Prof. Dr. Franz Cemic
• Prof. Dr. Andreas Peter Dominik
• Prof. Dr. Seyed Eghbal Ghobadi
• Dr. habil. Frank Kammer

Keine

Trotz der intensiven Entwicklung von KI-Anwendungen gibt es immer noch Herausforderungen bei der Bewertung, Sicherung und Zuverlässigkeit solcher Anwendungen.

In diesem Kurs werden die Studierenden verschiedene Methoden und Maßnahmen zur Sicherstellung der Qualität einer KI-Funktion zur Objekterkennung lernen.

• Einführung in die künstliche Intelligenz, maschinelles Lernen und Deep Learning
• Herausforderungen bei der Qualitätssicherung für KI-basierte Modelle
• Sicherstellung der Datenqualität
• Qualitätssicherung für Deep-Learning-Netzwerke (DNNs)
• Testmethodik für DNN-basierte Blackbox-Modelle
• Explainable AI (XAI) – Methoden zum KI Interpretierbarkeit
• Unsicherheitsmodellierung für Deep-Learning-Netzwerke
• Metriken und Normen

Fachkompetenzen

• Die Studierenden können die Grundlagen eines Deep Learning basierten Systems und dessen Herausforderungen bei der Qualitätssicherung erläutern.
• Sie können die wesentlichen Unterschiede zwischen der traditionellen Qualitätssicherung in der Softwareentwicklung und den entsprechenden Ansätzen für ein KI-basiertes Modell erläutern.
• Sie können den geeigneten Ansatz für jede spezifische Anforderung der Qualitätssicherung identifizieren und beschreiben.

Methodenkompetenzen (fachlich & überfachlich)

• Die Studierenden können die in der Vorlesung erlernten Methoden auf ein DNN anwenden.
• Sie können, eine der Qualitätssicherungsmethoden für ein vorgegebenes Deep Neural Network (DNN) in einem Projektteam umsetzen.
• Sie können die Ergebnisse in einem vorgegebenen Zeitrahmen in einem Projekt erarbeiten.

Sozialkompetenzen

• Die Studierenden können im Team die Anforderungen an ein KI-basiertes System analysieren und gemeinsam Ziele und Verfahren zur Qualitätssicherung ableiten.

• Sie können die Methodik der Qualitätssicherung kooperativ und effektiv in Gruppen umsetzen.

Selbstkompetenzen

• Die Studierenden können selbstständig recherchieren, um sich das Wissen aus dem Stand der Technik anzueignen.
• Sie können das erworbene Wissen in der Vorlesung und speziell in ihrem Team präsentieren.
• Sie können selbstmotiviert und eigenständig die Verantwortung für die Projektarbeit im Team übernehmen.

• 6 CrP
• Arbeitsaufwand 180 Std.
• Präsenzzeit 60 Std.
• Selbststudium 120 Std.

• 4 SWS
• Seminaristischer Unterricht 4 SWS

• Informatik (M.Sc. 2022)
• Ingenieur-Informatik (M.Sc. 2022)

Nein

Bonuspunkte werden gemäß § 9 (4) der Allgemeinen Bestimmungen vergeben. Art und Weise der Zusatzleistungen wird den Studierenden zu Veranstaltungsbeginn rechtzeitig und in geeigneter Art und Weise mitgeteilt.

Prüfungsvorleistung: Projektarbeit

Prüfungsleistung: Schriftliche Ausarbeitung, Präsentation der Ergebnisse und Mündliche Prüfung (zusammen 100%)

• Vorlesungsfolien
• Masis, S.: Interpretable Machine Learning with Python. Learn to build interpretable high-performance models with hands-on real-world examples. Packt Publishing.
• Samek, W.; Montavon, G.; Vedaldi, A.; Hansen, L. A.; Müller, K.-R.: Explainable AI. Interperting, Explaining and Visualizing Deep Learning. Springer.
• State-of-the-art Veröffentlichungen