Künstliche Intelligenz - Forschungs- und Anwendungsperspektiven an der HU Berlin
Ab dem 28.04.2023
Freitags 10 Uhr -12 Uhr
Raum 2093 im Hauptgebäude ( Unter den Linden 6)
Das Thema Künstliche Intelligenz ist aktuell sowohl in gesellschaftlichen Debatten als auch in wissenschaftlichen Diskussionen sehr präsent. Die Ringvorlesung greift diese Diskussionen auf und präsentiert aktuelle Forschungs- und Anwendungsperspektiven an der Humboldt-Universität zu Berlin auf diesem Feld. Ziel ist es, auch Hörer:innen ohne Vorkenntnisse Einblicke in Fragen rund um das Thema Künstliche Intelligenz zu geben. Die Ringvorlesung richtet sich sowohl an Studierende als auch an Lehrende und Forschende aller Fachrichtungen. Studierende können sich die Lehrveranstaltung im ÜWP mit 2 LP anrechnen lassen. Die einzelnen Vorlesungen werden von Expert:innen aus verschiedenen Fächern gehalten, darunter Physik, Medienwissenschaft, Sprach- und Literaturwissenschaft, Informatik und Digital History. Die Hörer:innen erhalten auf dies Weise einen fächerübergreifenden Überblick. Dabei werden sowohl technische als auch gesellschaftliche Aspekte beleuchtet, um ein umfassendes Bild von Diskussionen, Perspektiven und Anwendungsszenarien bezüglich des Einsatzes von Künstlicher Intelligenz zu vermitteln. Wir laden Sie herzlich ein, an der Vorlesungsreihe teilzunehmen und sich mit anderen Studierenden und Expert:innen über die neuesten Entwicklungen und Herausforderungen der Künstlichen Intelligenz auszutauschen.
28.04.2023
Jan Krämer
KI: Traum, nicht Technologie (Eine Einführung)
Eine Einführung in die Konzepte die sich hinter dem Schlagwort KI verbirgen. Kurze Übersicht über die damit verbundenen Technologien.
05.05.2023
Lea Ossmann-Magiera & Pablo Schumacher
KI & Recht
In der Veranstaltung KI & Recht soll ein Überblick über ausgewählte rechtliche Implikationen der Entwicklung und des Einsatzes von KI-Technologien gegeben werden. Ein Schwerpunkt wird dabei darauf gelegt, welche Compliance-Vorschriften nach dem aktuellen Stand der KI-Verordnung zu beachten und einzuhalten sind. Ein weiterer Schwerpunkt wird auf den Herausforderungen von KI-Technologien an das Urheberrecht liegen: diese reichen von urheberrechtlichen Fragen bei der Entwicklung der Technologie bis hin zum Schutz von KI-Erzeugnissen. Schließlich sollen haftungsrechtliche Fragen beim Einsatz von KI-Technologien beleuchtet werden.
12.05.2023
Dr. Thomas Krause
Machine Learning als Black Box in der Linguistik
Linguistinnen sind bei Maschine Learning oft in der Rolle einesr Anwender*in, zum Beispiel, wenn sie große Datenmengen automatisch annotieren. Die dahinter liegenden Prozesse sind je nach Methode aber nur schwer nachvollziehbar. Außerdem sind Methoden der Informatik oft nicht Teil des Linguistik-Studiums: Der gesamte Prozess kann daher wie eine Black Box wirken. Wir möchten uns damit beschäftigen, wie diese in Lehrveranstaltungen sinnvoll behandelt und transparent gemacht werden kann.
19.05.2023
Dominik Kranz & Oruç Kahriman
Anwendung neuronaler Netzwerke zur Analyse von EKGs
Wir, als Masteranden der Biophysik und Physik in der hoch-interdisziplinären Cardiovascular Physics AG, forschen an Netzarchitekturen, die bestehende Analysen von EKGs nachahmen und diese in Zukunft erweitern sollen. Insbesondere benutzen wir dabei recurrent neural networks sowie denoising diffusion networks. In unserem Beitrag geht es um die Grundlagen beider Architekturen sowie unsere Forschungsergebnisse.
26.05.2023
Prof. Wolfgang Ernst
Techniknahe Antworten auf die Metaphysik des „deep“ Machine Learning
Ein Versuch, die Black Box der Künstlichen Intelligenz zu öffnen
“Deep” Machine Learning (ML) scheint in seiner komputativen Komplexität selbst für Informatiker kaum noch durchschaubar. Eine kritische (Medien-)Wissenschaft von KI und ML aber steht und fällt mit dem Anliegen der sogenannten XAI (Explainable Artificial Intelligence). Lässt sich diese black box noch öffnen, und liegt gerade darin die Antwort der Universität auf den latent space von Convolutional Neuronal Networks? Einer gewisse metaphysische Verlockung, die Hervorbringungen von mit big data trainierten künstlichen neuronalen Netzen als “intelligent” hinzunehmen, setzt die techniknahe Medienarchäologie einerseits Turings Einsicht in die Maschinenhaftigkeit menschlicher Intelligenz selbst entgegen, und andererseits die konkrete Signal(verlaufs)analyse. Sie betont damit die posthumane Alterität des Technológos, wie er sich gerade in den “Fehlern” generativer KI artikuliert (wenn nicht gar “chattet”). Es sind die konkreten Verkörperungen des Logos, welche hinsichtlich von KI und ML den Unterschied machen - zugleich eine Verteidigung des akademischen Wesens der Universität gegenüber ChatGPT.
02.06.2023
Prof. Robert Jäschke
Der Manfred Lehmann unter den rhetorischen Stilmitteln: Data Mining von Long-Tail-Daten am Beispiel der Extraktion Vossianischer Antonomasien
Wenn jemand Bill Gates als den “Henry Ford der Computerindustrie” beschreibt, dann verwendet sie oder er das rhetorische Stilmittel der Vossianischen Antonomasie. Rhetorische Stilmittel machen Texte nicht nur lesbarer und interessanter, sie betten sie auch kulturell ein. Eine quantitative Erforschung dieser Phänomene benötigt große Textkorpora, deren manuelle Annotation sehr aufwendig ist. In der Vorlesung werden wir lernen (und selber ausprobieren), wie wir mit Sprachmodellen basierend auf neuronalen Netzen Vossianische Antonomasien automatisiert entdecken und extrahieren können.
09.06.2023
Prof. Claudia Draxl
Mit Künstlicher Intelligenz zu neuartigen Materialien - Traum oder Wirklichkeit?
Big Data kombiniert mit Methoden der KI eröffnen die Chance, Trends und Muster in Daten zu erkennen, die aus einzelnen Untersuchungen und Publikationen nicht auffindbar wären. Für die Materialwissenschaften ermöglicht das, neue Zusammenhänge zu erkennen und Vorhersagen treffen zu können. Das lässt den Traum vom Designermaterial für eine gewünschte Anwendung näher rücken. Um dieses Ziel realisieren zu können, müssen Daten aus den unterschiedlichsten Quellen zusammengebracht, deren Qualität analysiert und verstanden, und neuartige Methoden der KI entwickelt werden. In dieser Vorlesung wird der Status im Forschungsfeld der Materialwissenschaften beleuchtet, die Herausforderungen werden diskutiert; alle Themen werden mit anschaulichen Beispielen unterlegt.
16.06.2023
Dr. Patrick Schäfer
Unleashing the Potential of Unsupervised Time Series Analytics: Recent Advances and Breakthroughs
Low-cost, high-resolution sensors, as equipped in smart-phones and watches, have become increasingly popular, generating vast amounts of raw time series data. This includes accelerometer, sound, or temperature data. However, supervised machine learning techniques for analyzing time series require labeled data, which is often not available. Fortunately, unsupervised analytics offer valuable tools to extract insights and enhance our understanding of the data. In this lecture, we will discuss recent advances in unsupervised time series analysis that uncover hidden patterns and gain new insights without relying on labels.
23.06.2023
PD Judith Katzy
Mit Kuenstlicher Intelligenz zu den Bausteinen des Universums
In der Teilchenphysik untersuchen wir die elementaren Bausteine der Materie, wie Quarks und das Higgs Boson, durch Kollisionen von Protonen im LHC Beschleuniger in Genf (Schweiz). Dabei entstehen riesige Datenmengen in sehr kurzer Zeit, die mit Methoden der Künstlichen Intelligenz analysiert werden. In dem Vortrag werden verschiedene Beispiele von Machine Learning Algorithmen vorgestellt, die erfolgreich zu neuen Forschungsergebnissen beigetragen haben.
30.06.2023
Prof. Torsten Hiltmann
Künstliche Intelligenz in den Geschichtswissenschaften
Auch in den Geschichtswissenschaften spielen Verfahren der sogenannten “Künstlichen Intelligenz” eine immer größere Rolle. Angefangen bei der Übertragung gedruckter und handschriftlicher Texte in prozessierbaren Volltext, über die Erkennung von Entitäten und textlichen Abhängigkeiten bis hin zu neuen Formen der Modellierung und Reorganisation von Wissen und der Inferenz logischer Zusammenhänge. Ausgehend von konkreten Beispielen aus der Forschung werden Einsatzszenarien sowohl der symbolischen (Ontology Engineering) wie der subsymbolischen KI (Machine Learning) besprochen, Möglichkeiten für die Forschung aufgezeigt, aber auch neue ethische Verantwortlichkeiten, die mit diesen Methoden einhergehen.
07.07.2023
tba
tba