DOAG VOICES FutureAI – Dave König und Dr. Melanie Sigl cover art

DOAG VOICES FutureAI – Dave König und Dr. Melanie Sigl

DOAG VOICES FutureAI – Dave König und Dr. Melanie Sigl

Listen for free

View show details

About this listen

 Künstliche Intelligenz ist allgegenwärtig – doch der erfolgreiche Einsatz beginnt nicht mit dem Training eines Modells, sondern mit der richtigen Auswahl.In dieser Folge von DOAG VOICES FutureAI spricht Host Dave König mit Dr. Melanie Sigl über genau diese oft unterschätzte Herausforderung. Ausgangspunkt ist ihre Dissertation zu Transfer Learning auf multivariaten Zeitreihen – ein Thema mit hoher Relevanz für industrielle Anwendungen und Predictive Maintenance.Dr. Sigl erläutert, warum vortrainierte Modelle nicht automatisch gute Ergebnisse liefern und weshalb die Ähnlichkeit zwischen Datensätzen entscheidend ist. Anhand praxisnaher Beispiele zeigt sie, wo klassische Distanzmaße an ihre Grenzen stoßen und wie Methoden wie Dynamic Time Warping helfen, Zeitreihen sinnvoll vergleichbar zu machen. Darauf aufbauend geht es um Learning-to-Rank-Ansätze wie RankNet, mit denen sich Modelle systematisch bewerten lassen – statt Entscheidungen nach Bauchgefühl oder reiner Hardware-Verfügbarkeit zu treffen.Das für Auflockerung sorgende Spiel "Tech or Myth Facts?" zeigt erneut eindrucksvoll, wie schnell technologische Entwicklungen mystifiziert werden – und wie wichtig ein nüchterner Blick auf Fakten bleibt.Abseits der Forschung beleuchtet die Folge die Realität von KI-Projekten: Cloud-Infrastrukturen, Cloud-native Services, souveräne Alternativen, On-Prem-Betrieb und die Herausforderungen beim Übergang in den produktiven Einsatz. Dr. Sigl macht deutlich, dass technologische Exzellenz allein nicht ausreicht – entscheidend sind Wirtschaftlichkeit, Akzeptanz und ein realistischer Blick darauf, wann KI sinnvoll ist und wann klassische Verfahren genügen.---Kapitelübersicht:00:00 – 00:16 | IntroBegrüßung, Vorstellung und Einordnung der Edition FutureAI.00:16 – 03:10 | Persönlicher HintergrundVorstellung von Dr. Melanie B. Sigl, Werdegang zwischen Beratung, Forschung und Führung.03:10 – 07:10 | Dissertation & MotivationTransfer Learning auf multivariaten Zeitreihen und zentrale Forschungsfragen.07:10 – 11:45 | Modellauswahl statt ModellbauWarum vortrainierte Modelle sinnvoll sind – und ihre Auswahl oft komplexer ist als ihr Training.11:45 – 14:09 | Ähnlichkeit von ZeitreihenDynamic Time Warping als Methode zur Vergleichbarkeit komplexer Zeitverläufe.14:09 – 16:56 | Tech or Myth Facts?KI-Mythen, Tech-Anekdoten und der Umgang mit technologischem Fortschritt.16:56 – 22:50 | Learning to Rank & RankNetSystematische Modellbewertung jenseits klassischer Distanzmaße.22:50 – 28:10 | Predictive MaintenanceIndustrielle KI-Anwendungsfälle und vorausschauende Wartung.28:10 – 33:45 | Cloud & SouveränitätCloud-native Services, hybride Szenarien und On-Prem-Alternativen.33:45 – 39:20 | KI produktiv bringenChange-Management, Akzeptanz und typische Stolpersteine.39:20 – 42:16 | Karriere & LernenPersönliche Einblicke, lebenslanges Lernen und Open Source.42:16 – 42:36 | OutroAbschluss und Verabschiedung.---Die Top 3 Learnings dieser Folge:1. Die Wahl des richtigen KI-Modells ist entscheidender als dessen Training.Datensatz-Ähnlichkeit und Kontext bestimmen den Erfolg von Transfer Learning.2. Systematische Bewertungsverfahren schlagen Bauchgefühl.Learning-to-Rank-Ansätze wie RankNet ermöglichen fundierte Modellentscheidungen.3. KI-Erfolg ist kein reines Technikthema.Wirtschaftlichkeit, Akzeptanz und organisatorische Einbindung sind zentral für den produktiven Einsatz.---Mehr über Dr. Melanie Sigl:https://www.linkedin.com/in/melanie-sigl/---Mehr über Dave König aka Frickeldave:https://frickeldave.de---Mehr über die DOAG:https://www.doag.org---Anstehende DOAG-Konferenzen:DevLand 2026 | 12. & 13. März | Europa-Park Rusthttps://www.devland.eu/de/APEX connect 2026 | 18. - 20. Mai | Heide Park Soltauhttps://apex.doag.org/de/home/CloudLand 2026 | 19. - 22. Mai | Heide Park Soltauhttps://www.cloudland.org/de/home/ Hosted on Acast. See acast.com/privacy for more information.
No reviews yet