Kursbeschreibung
Dieses Seminar richtet sich an alle, die KI in Forschung und Entwicklung einsetzen wollen, ohne in Proof-of-Concepts stecken zu bleiben. Du lernst ein Vorgehen, das in F&E-Realität funktioniert: heterogene Daten, wechselnde Randbedingungen, hoher Dokumentationsbedarf und sensible IP. Zuerst klärst Du die Grundlagen und die richtige Erwartungshaltung: Welche Aufgaben sind gut geeignet für Machine Learning, welche eher für Generative KI, und wo sind hybride Ansätze sinnvoll. Du arbeitest mit typischen Datenquellen aus F&E wie Sensordaten, Prüfstandslogs, Bilddaten und Texten aus Spezifikationen oder Laborjournalen. Anschließend entwickelst Du aus Ideen priorisierte Use Cases. Du bewertest Nutzen, Machbarkeit und Risiko so, dass Du schnell zu einer Pilot-Roadmap kommst. Im Datenfitness-Teil lernst Du, wie Du Datenqualität praktisch prüfst: Ausreißer, Bias, fehlende Labels, Daten-Drift und Messartefakte. Du erfährst, wie Datenkarten und Modellkarten die Nachvollziehbarkeit erhöhen und Übergaben zwischen Teams erleichtern. Im Prototyping-Teil setzt Du Baseline-Modelle auf, definierst Metriken, planst Validierung und baust eine reproduzierbare Experimentstruktur. Für Generative KI lernst Du Prompting-Grundlagen, aber vor allem, wie Du Antworten evaluierst und wie RAG genutzt wird, um interne Wissensquellen sicher einzubinden. Zum Schluss geht es um Integration und Leitplanken: Human-in-the-Loop, Versionierung, Experiment-Tracking und konzeptionelle Schnittstellen zu PLM, LIMS oder MES. Du klärst Datenschutz, Geheimhaltung, Exportkontrolle sowie IP-Fragen rund um Trainingsdaten und Outputs. Ergebnis: Du kannst KI-Projekte in F&E so aufsetzen, dass sie schnell starten, sauber abgesichert sind und realen Entwicklungsnutzen liefern.
Die wichtigsten Themen im Überblick
- KI-Potenziale in Forschung und Entwicklung sicher erkennen
- F&E-Use-Cases in 30 Minuten bewerten und priorisieren
- Datenqualität für Messreihen, Bilder und Laborjournale prüfen
- KI-Prototypen ohne Overengineering reproduzierbar aufsetzen
- GenAI und RAG für Wissensmanagement praktisch nutzen
- Modelle mit passenden Metriken validieren und verbessern
- KI sicher in F&E-Prozesse, PLM, LIMS und MES einordnen
- Risiken, Datenschutz und IP bei KI-Projekten beherrschen
Zielgruppe
- Forschungs- und Entwicklungsingenieurinnen und Forschungs- und Entwicklungsingenieure
- Data- und Analytics-Verantwortliche in R&D und Engineering
- Produktentwicklung, Versuch, Labor- und Prüfstandsleitung
- Innovationsmanagement und technische Projektleitung
- Für alle, die KI-Use-Cases in F&E identifizieren und als Pilot umsetzen wollen
Voraussetzung für die Schulung
- Grundverständnis von F&E-Prozessen und Datenquellen (z. B. Messreihen, Prüfberichte, technische Dokumente).
- Keine Programmierkenntnisse erforderlich; Zahlenverständnis und Interesse an datenbasiertem Arbeiten reichen aus.
Kursinhalte
- KI-Grundlagen für F&E-Teams
- Was KI gut kann und wo sie scheitert
- Überblick: Machine Learning, Deep Learning, Generative KI
- Typische F&E-Daten: Messreihen, Bilder, Texte, Laborjournale
- Use Cases identifizieren, bewerten, priorisieren
- Value vs. Feasibility: schnelle Bewertung in 30 Minuten
- Experimentplanung, Anomalieerkennung, Qualitätsprognosen
- Wissensmanagement mit RAG (Retrieval-Augmented Generation)
- Datenfitness und Messstrategie
- Datenqualität: Labeling, Drift, Bias, Ausreißer
- Feature-Engineering für Zeitreihen und Sensordaten
- Dokumentation: Datenkarten und Modellkarten
- Prototyping ohne Overengineering
- Von Notebook zu reproduzierbarem Experiment
- Baseline-Modelle, Metriken, Validierung
- Prompting-Grundlagen und Evaluierung für GenAI
- KI in den F&E-Prozess integrieren
- Human-in-the-Loop: Expertenwissen nutzbar machen
- Experiment-Tracking und Versionierung
- Schnittstellen zu PLM, LIMS, MES (konzeptionell)
- Risiken, Compliance und IP
- Datenschutz, Geheimhaltung, Exportkontrolle: praktische Leitplanken
- Umgang mit Halluzinationen und falschen Korrelationen
- IP-Strategie: Trainingsdaten, Outputs, Lizenzfragen
