Dieser Track beschäftigt sich mit der Integration von Künstlicher Intelligenz (KI) in traditionellen Software-Architekturen im Unternehmen. Die Themen dieses Tracks sind unter anderem die Integration KI-spezifischer Architekturen mit allgemeinen Systemen durch Designprinzipien und Best Practices, die Überführung von KI-Proof-of Concepts in skalierbare, produktionsreife Anwendungen mit Fokus auf Datenmanagement und DevOps für KI sowie das Schließen der Datenqualitätslücke mit Datenprodukten, Datenverträgen und Datenarchitekturen.
» Alle Vorträge des Tracks im Überblick
» Zu den Tutorials & Nightschools
Gestaltet von: Larysa Visengeriyeva
Sie hat einen Doktortitel in Computerwissenschaften und ist beruflich als Head of Data und AI bei innoq.ai tätig. Zusätzlich ist Larysa die Gründerin von ml-ops.org, Mitbegründerin von datamesh-architecture.com und Gründerin des Women+ in Data and AI Festival in Berlin.
Einige Highlights des Tracks
KI: WANN UND WANN NICHT?
„KI ist gekommen, um zu bleiben“, ist von vielen Seiten zu hören. Das stimmt. KI ist nicht mehr wegzudenken. Millionenfach finden wir KI in Anwendungen und Funktionalitäten wieder. Die Entwicklung ist rasant und viele wollen noch „auf den Zug aufspringen“. Darunter sind auch Lösungen, die ohne KI auskommen und sogar effizienter wären.
Umso wichtiger ist es, bei der Planung zu erkennen, wann ein Problem auch ohne KI gelöst werden kann. In dieser Session lernen wir ein paar komplexe Beispiele aus der realen Welt kennen und zeigen auf, wo KI nützlich ist und vor allem wo nicht.
Dienstag | Mit Carlos Fernandez und Matthias Seiller
WIE KANN KI QUALITÄTSPROBLEME IN BESTEHENDER SOFTWARE ZIELGERICHTET BEHEBEN?
Es gibt viele Werkzeuge, die Qualitätsprobleme in Bestandscode mittels statischer Analyse erkennen und sichtbar machen. Die automatische Behebung dieser Probleme war bisher aber nur in vergleichsweise einfachen Fällen möglich. Die derzeitigen Entwicklungen in der KI, speziell die Large Language Models (LLMs), verschieben die Grenzen des Möglichen jedoch deutlich. In diesem Vortrag zeige ich auf, wie weit sich Qualitätsprobleme durch KI beheben lassen. Neben Erfahrungen aus unserer internen Entwicklung beleuchte ich, welchen Einfluss die Wahl des Basismodells hat, welche Informationen die LLMs dabei als Input benötigen und an welchen Problemen die KI heute noch scheitert
Mittwoch | Mit Benjamin Hummel
FROM SEARCH RESULTS TO INSIGHTS: LEARNINGS FROM STATISTA’S GENERATIVEAI JOURNEY
GenAI services have been rapidly integrated into various digital business models, but what if your data holds better answers? How can this technology be combined with an organization‘s knowledge and data? This talk explores Large Language Models (LLMs) and their augmentation with custom data via Retrieval-Augmented Generation (RAG). Discover Statista‘s pioneering journey from rich search results to concise, informed answers with their LLM-based application, ResearchAI.
Dienstag | Mit Benedikt Stemmildt und Matthias Lau
WAS BEDEUTEN AI-QUALITÄTSVERBESSERUNGS-TOOLS FÜR UNSERE QUALITÄTSSICHERUNG?
Es gibt viele Tools, die KI nutzen, um in der Software-Entwicklung zu assistieren. Einige generieren Code oder Testfälle, andere schlagen Code-Verbesserungen vor oder selektieren Tests auf Basis von Code-Änderungen. Leider wissen wir wenig darüber, welche Fehler diese KI-Assistenten sporadisch oder häufig machen. Wir müssen uns vermutlich darauf einstellen, dass sie in allen Phasen der Software-Entwicklung Einzug halten werden, alleine schon deshalb, weil sie bequem sind. In diesem Vortrag spreche ich darüber, wie wir diesen Herausforderungen aus Sicht der Qualitätssicherung begegnen können und welche automatisierten Analysen ergänzend oder begleitend zu KI-Tools eingesetzt werden können, um dem Risiko ihres Einsatzes zu begegnen.
Mittwoch | Mit Elmar Juergens
u.a. mit dabei
THEMATISCH PASSENDE TUTORIALS & NIGHTSCHOOLS
TUTORIAL | KI – aber sicher!
In dieser Sitzung erhaltet ihr aktuelles praktisches Wissen über die Bewertung von Softwarearchitekturen mit Schwerpunkt auf KI-basierter Software, im Hinblick auf Sicherheits- und Datenschutzanforderungen und darüber, wie man eine unsichere Architektur mit Hilfe von Schutzmaßnahmen und Best Practices verbessern kann, die aus dem OWASP AI Security and Privacy Guide und den aktuellen Top 10 der Sicherheitsprobleme von maschinellen Lernsystemen (OWASP Machine Learning Security Top 10) abgeleitet sind.
Montag | Mit Jan Jürjens
NIGHTSCHOOL | Bringing a collaborative engineering platform to GAIA-X - experiences and lessons learned
GAIA-X is a strategic initiative of the European Union in order to support secure and trustworthy dataspaces. But what does it mean to set up a GAIA-X compliant data space, polished powerpoint aside?
In this presentation we will report about our experiences learned from almost three years' work in one of the GAIA-X lighthouse projects "COOPERANTS". COOPERANTS is the world’s only collaborative alliance of industry, SMEs and research institutes in the Aeronautics and space sector that solves pressing digital collaboration problems by creating a common data space. We will talk about experiences on how to navigate the confusing data-space ecosystems and tech-stacks and how and why we chose a specific solution (EDC vs. GXFS vs. Pontus-X, e.g.) and how we implemented the services.
Mittwoch | Mit Andreas Graf, Harald Eisenmann und Caroline Lange
TUTORIAL | Multi-Agent-Kollaborationssystem mit lokalem LLM
Hast du es satt, Audiodateien manuell zu transkribieren? Wir entwickeln eine Pipeline zur Audio-Transkription und Sprechertrennung, sodass du nie wieder manuell transkribieren musst. Danach führen wir dich Schritt für Schritt durch den Aufbau eines Multi-Agent-Kollaborationssystems mit einem lokalen Large Language Model (LLM). Dieses hier vorgestellte fortschrittliche System ermöglicht es dir, auf völlig neue Weise mit deinen Audiodateien zu interagieren.
Freitag | Mit Tim Lauer und Wolfgang Kraus
NIGHTSCHOOL | Lessons from the Trenches: What It Actually Takes to Properly Test GenAI Applications
Generative AI is a powerful asset if you know how to tame it. As this technology rapidly transforms the software landscape, one of the key challenges lies in effectively testing and validating GenAI applications. Traditional testing methodologies fall short in addressing the unique complexities posed by these systems, especially in enterprise environments.
Drawing from real-world experiences and hard-earned insights, we'll explore how to adapt established software engineering principles to the world of GenAI, and where entirely new approaches are necessary.
Mittwoch | Mit Steve Haupt