Hinweis: Die aktuelle OOP-Konferenz finden Sie hier!

Konferenzprogramm

Die im Konferenzprogramm der OOP 2022 Digital angegebenen Uhrzeiten entsprechen der Central European Time (CET).

Unser Programm gibt es auch als praktische PDF-Datei >>Zum Download

Track: Artificial Intelligence Now!

Nach Tracks filtern
Nach Themen filtern
Alle ausklappen
  • Dienstag
    01.02.
  • Mittwoch
    02.02.
, (Dienstag, 01.Februar 2022)
09:00 - 10:45
Di 7.1
Fake-Debatten mit NLP – Eine ironische KI-Lösung für Onlinediskussionen

Mit Hilfe moderner KI-Ansätze wie GPT-2, Tacotron und Conformers haben wir Roboterköpfe entwickelt, die vollständig autonom unter sich eine Kommentarspaltendiskussion führen und somit menschliches Mitdiskutieren überflüssig machen. Das TNG Innovation-Hacking-Team hat einen Prototyp eines Ende-zu-Ende-Systems für Natural Language Understanding entwickelt, bei dem Techniken wie Speech-to-Text (STT), Conditional Text Generation und Text-to-Speech (TTS) zum Einsatz kommen.

Zielpublikum:

Mehr lesen
It’s not Rocket Science: Neuronale Netze verstehen

KI und insbesondere Deep Learning sind der Megatrend. Dank leistungsstarker Frameworks sind erste Schritte schnell gemacht. Leider stößt man aber genauso schnell auch wieder an (seine) Grenzen. Passt das genutzte Modell überhaupt zu meinem Problem? Wie sind die gewonnenen Ergebnisse zu bewerten? Kann durch geschickte Veränderung von Modell-Parametern das Ergebnis weiter verbessert werden? In der Session werden wir unser eigenes Neuronales Netz von Grund auf aufbauen und Schritt für Schritt…

Mehr lesen
Thomas Endres, Martin Förtsch, Jonas Mayer
Lars Röwekamp
14:00 - 14:45
Di 7.2
Automating Industrial Processes Using Computer Vision

Today Computer vision has taken a significant spot in our phones, our roads, our markets that we don’t always even recognize if and where it is deployed. Nonetheless, our industries today have so much potential to automate (using CV) their recurrent tasks to reduce costs, while simultaneously increasing quality of the product and efficiency of the process itself. We will learn about some interesting industrial examples which benefit first-hand from simple automation and perhaps get inspired by…

Mehr lesen
Akarsha Sehwag
16:15 - 17:15
Di 7.3
Software-Architektur für Machine Learning

Machine Learning-Diskussionen drehen sich oft um Datenbeschaffung, geeignete Werkzeuge und Modelle. Und natürlich um beeindruckende Anwendungen von Spotify, Tesla und Co. Doch wie entstehen ML-Lösungen? Oft scheint Genialität und Zufall bestimmend, doch in dieser Session zeige ich, was wirklich hinter erfolgreichen ML-Vorhaben steckt und wie man erfolgreich professionalisiert. Mit den Überschriften der Architektur-Disziplin sortiere ich die Herausforderungen von ML-Vorhaben und zeige, wie man…

Mehr lesen
Stefan Toth
17:45 - 18:45
Di 7.4
Host mi App? Wie können meine Anwendungen durch KI Deutsch hören und sprechen?

Sie wollen sehen und ausprobieren, wie sich aktuelle Frameworks und Modelle beim Erkennen und Erzeugen deutscher Sprache schlagen? Dann sind Sie hier genau richtig. Probieren Sie online mit uns aus, wie gut freie Modelle inzwischen sind, die Sie unabhängig von den Großen auch lokal nutzen können: Sei es für Sprachbefehle, das Erkennen von Kundentelefonaten, das Erstellen von Audio zur Barrierefreiheit und was deren Grenzen und Vorurteile sind.

Zielpublikum: Sprachversteher:innen, Entwickler:innen

Mehr lesen
Olaf Thiele
, (Mittwoch, 02.Februar 2022)
09:00 - 10:45
Mi 7.1
Applying AI Methods to Help Users in Fixing Static Analysis Violations

The adoption of static analysis of C++ and Java requires that the findings and errors can be prioritised in an efficient way. Our work shows that Machine learning (ML) can support this presentation of static analysis results to end-users. The ML engine learns from the codebase itself, and also observes the violations that the user fixes and which he ignores. The ML uses this to suggest the next best violations to fix, relying on probability of violations to be harmful or most likely to be a…

Mehr lesen
Keeping a Huge Product Database up to Date With State of the Art Machine Learning

Maintaining a database containing millions of products can be very challenging, especially when the information you require of these products is subject to changes over time.

We show how we used state of the art Deep Learning methods (such as Transformers, BERT) in connection with smart text matching in order to extract relevant information from free-form text.

We also explain how we leveraged the existing database to create an automatically labelled training dataset.

Our model enables us to…

Mehr lesen
Igor Kirilenko
Jan Anderssen, Jona Welsch
11:00 - 11:45
Mi 7.2
Just Enough MLOps – wie man mit MLOps nicht übertreibt

Der Umfang der MLOps-Prozesse und -Technologien hängt von dem AI "Maturity Level" der jeweiligen Organisation ab. Das Umsetzen von kanonischem MLOps kann zu einer unnötigen Komplexität in der Architektur und Organization führen. Das “AI Readiness”-Framework definiert den Reifegrad einer Organisation bei der Nutzung von ML/AI und ordnet es in eine der drei Stufen ein: Tactical, Strategic und Transformational. In dem Vortrag gehe ich auf die drei “AI-Readiness”-Stufen ein und zeige, wie man eine…

Mehr lesen
Larysa Visengeriyeva
14:30 - 15:30
Mi 7.3
NEU! Machine Learning betrachtet als ein Engineering Problem

Machine Learning wird häufig immer noch als eine mathematische Herausforderung angesehen und an den Universitäten meist ebenso gelehrt. Es regt sich aber auch im akademischen Umfeld Widerstand und selbst Stars wie Andrew Ng bieten neuerdings Kurse mit Inhalten an, die uns Softwareentwickeln eher vertraut sind.
In diesem Talk werde ich beleuchten, wie viel man wirklich wissen muss, um als Softwareentwickler Machine Learning sinnvoll einzusetzen.

Zielpublikum: Jede Rolle im Bereich…

Mehr lesen
Oliver Zeigermann
17:00 - 18:00
Mi 7.4
NEU! Can Agile be disrupted by AI?

Agile is becoming a standard delivery method adopted by organizations across the globe, according to VersionOne’s 11th Annual State of Agile Report. While 94 percent of survey respondents said their organizations practiced Agile, 80 percent said their organization was at or below a “still maturing” level. There are multiple reasons on why the Agile maturity of the teams are low, but the key one is teams look at Agile as a process change rather than a cultural change.
At Accenture we have been…

Mehr lesen
Jefferson Dsouza, Raghavendra Meharwade

Zurück