Modulbeschreibung

Künstliche Intelligenz ist eine transformative Technologie des digitalen Zeitalters. Nicht nur die Wirtschaftsinformatik im engeren Sinne ist davon betroffen, sondern unsere Zivilisation insgesamt. Die statistische und technische Natur des maschinellen Lernens machen das Gebiet einem Laien nur über APIs zugänglich: Wir lernen, KI zu nutzen. Ziel dieses Kurses ist es, die Studierenden im Umgang mit KI kompetenter zu machen, indem die grundlegende Funktionsweise von KI verstanden wird. Wie "lernt" eine KI? Wie "entscheidet" sie?
Wer die prinzipielle Funktionsweise von KI, in der Gegenwart und in der nahen Zukunft nicht nur kennt, sondern deren prinzipielle Funktionsweise versteht, ist befähigt, fundiert am allgemeinen Diskurs über die Art des Einsatzes von KI in unserer modernen Gesellschaft teilzunehmen. Daher werden neben klassischen Machine Learning Algorithmen auch neuronale Netze vom Neuron bis zu den Implikationen in bestimmten Anwendungskontexten behandelt. Wirtschaftsinformatiker sollen zudem ein Machine Learning basiertes System, welches von einem Informatiker entwickelt wurde, kritisch und quantitativ auf den vorliegenden Anwendungsfall hin evaluieren können. Durch eine fundiertere Kenntnis aktueller KI-Technologien sollen Studierende die Grundlagen besitzen, um in ihrem Berufsalltag auch neue Anwendungen von KI identifizieren und (mit Hilfe von Informatikern) umsetzen, aber auch kritisch hinterfragen zu können.

• Datenmodellierung
• Datenbanken und Informationssysteme
• Informationsmanagement
• Mathematik und Statistik

• Wirtschaftsinformatik TZ/BB Rapperswil & St.Gallen – Semester 7
• Wirtschaftsinformatik VZ Rapperswil & St.Gallen – Semester 5

Fachkompetenzen:

Die Teilnehmenden können:

• Anwendungsfälle von KI im Unternehmenskontext identifizieren
• Einen Überblick über gängige KI- und Machine-Learning (ML)-Technologieklassen geben und deren Reifegrad für den Einsatz in KMU einschätzen
• wichtige ML-Algorithmen in ihrer Funktionsweise erklären – inklusive relevanter Hyperparameter und deren Auswirkungen auf das Modellverhalten
• für konkrete Anwendungsfälle geeignete ML-Methoden auswählen und die Herausforderungen bei der Umsetzung benennen
• ML-Modelle anhand einschlägiger Metriken (Genauigkeit, Präzision, ROC-Kurve, Lernkurven etc.) beurteilen und vergleichen
• ML-Projekte strukturiert führen: Qualitätsziele definieren, den Reifegrad eines Prototypen messen und aus Schwächen konkrete Verbesserungsmassnahmen ableiten
• Erwartungshaltungen an ML und KI realistisch beurteilen

Methodenkompetenzen:

Die Teilnehmenden können:

• methodische Fehler bei der Umsetzung von ML-Projekten frühzeitig erkennen und beheben
• aufgrund ihres Verständnisses der statistischen Grundlagen von KI-Projekten methodische Fehler vermeiden und Projekte so organisieren, dass verlässliche Aussagen über die Anwendbarkeit eines Modells möglich sind
• für eine gegebene Aufgabenstellung geeignete Analysemethoden auswählen und einfache Datenanalysen eigenständig durchführen
• Ergebnisse von Datenanalysen hinsichtlich ihrer Qualität und Aussagekraft beurteilen

Selbstkompetenzen:
Die Teilnehmenden können:

• einen kritischen und realistischen Blick auf KI-Versprechen und Machbarkeitsaussagen entwickeln
• technische Fachpublikationen gezielt querlesen, deren Relevanz für den KMU-Kontext einschätzen sowie Ergebnisse zusammenfassen und kritisch beurteilen
• einen vollständigen Analyseprozess für KI-Projekte konzipieren und in einfachen Fällen mithilfe geeigneter Softwaretools umsetzen
• Ergebnisse von Datenanalysen kritisch hinterfragen und die Grenzen datengetriebener Ansätze erkennen

Sozialkompetenzen:
Die Teilnehmenden können:

• eine konkrete Aufgabenstellung im Team bearbeiten und Verantwortung für Teilergebnisse übernehmen
• Ergebnisse im Rahmen einer ggf. kritischen Diskussion vorstellen und Entscheidungen begründen.

Themen-/Lernblock I: Einführung & Business Understanding

• Einführung und administratives
• CRISP-DM im Überblick
• Business Understanding
• Grundlagen DS, ML, AI 

Themen-/Lernblock II: Data Understanding

• Beurteilen der Datenqualität (Bias)
• Visuelle Analyse (Histogram, Scatter Plots, …)
• Statistische Analyse (Mittelwert, Median, Variation, …)

Themen-/Lernblock III: Data Preparation

• Datenbereinigung
• Daten konstruieren
• Datentransformation & -normalisierung
• Daten zusammenführen / integrieren

Themen-/Lernblock IV: Modeling

• Klassische ML Modelle
• Neuronale Netze
• Deep Learning

• Qualitätsmetriken

• (Stochastisches) Gradientenverfahren 

Themen-/Lernblock V: Evaluation & Deployment

• Bewertung von Data-Science Projekten aus Business-Sicht
• Aspekte des Deployments und der Operations 

Lehrgespräch, Gruppenarbeit

Pflichtliteratur:

• Annalyn Ng, Kenneth Soo, "Data Science- was ist das eigentlich?! Algorithmen des maschinellen Lernens verständlich erklärt".

Weiterführende Literatur:

• Aurélien Géron, «Praxiseinstieg Machine Learning mit Scikit-Learn & Tensorflow, O’Reilly, 2018
• Thomas A. Runkler, Data Mining, 2015