Refine
Year of publication
Document Type
- Article (1519)
- Part of a Book (593)
- Conference Proceeding (481)
- Book (397)
- Moving Images (173)
- Other (164)
- Bachelor Thesis (65)
- Report (42)
- Working Paper (39)
- Part of Periodical (38)
Language
- German (2825)
- English (749)
- Portuguese (7)
- Multiple languages (2)
- Spanish (2)
- French (1)
- Dutch (1)
- Russian (1)
Keywords
- Nachhaltigkeit (23)
- Kommunikation (9)
- Digitalisierung (8)
- Sustainability (8)
- Landschaftsarchitektur (7)
- Logistik (7)
- Building Information Modeling (6)
- Physiotherapie (6)
- Solarthermie (6)
- physiotherapy (6)
Institute
- Fakultät WiSo (2145)
- Fakultät AuL (711)
- Institut für Kommunikationsmanagement (198)
- Institut für Management und Technik (156)
- Institut für Duale Studiengänge (150)
- Fakultät IuI (93)
- Institut für Theaterpädagogik (50)
- Fakultät MKT (39)
- Präsidium Hochschule Osnabrück (27)
- Institut für Musik (9)
Eventlogistik
(2010)
Artificial intelligence (AI) and human-machine interaction (HMI) are two keywords that usually do not fit embedded applications. Within the steps needed before applying AI to solve a specific task, HMI is usually missing during the AI architecture design and the training of an AI model. The human-in-the-loop concept is prevalent in all other steps of developing AI, from data analysis via data selection and cleaning to performance evaluation. During AI architecture design, HMI can immediately highlight unproductive layers of the architecture so that lightweight network architecture for embedded applications can be created easily. We show that by using this HMI, users can instantly distinguish which AI architecture should be trained and evaluated first since a high accuracy on the task could be expected. This approach reduces the resources needed for AI development by avoiding training and evaluating AI architectures with unproductive layers and leads to lightweight AI architectures. These resulting lightweight AI architectures will enable HMI while running the AI on an edge device. By enabling HMI during an AI uses inference, we will introduce the AI-in-the-loop concept that combines AI's and humans' strengths. In our AI-in-the-loop approach, the AI remains the working horse and primarily solves the task. If the AI is unsure whether its inference solves the task correctly, it asks the user to use an appropriate HMI. Consequently, AI will become available in many applications soon since HMI will make AI more reliable and explainable.
Anwendungen wie ChatGPT oder WOMBO Dream machen es leicht, Studierende ohne Programmierkenntnisse für die Anwendung von künstlicher Intelligenz (KI) zu begeistern. Deshalb sind angesichts der zunehmenden Bedeutung von KI in allen Disziplinen innovative Strategien erforderlich, um Studierende ohne Programmierkenntnisse so auszubilden, dass die Anwendung von KI als Future Skill in die Studienmodule integriert werden kann. In diesem Artikel wird ein didaktisches Planungsraster für angewandte KI vorgestellt. Es orientiert sich am Prozess der KI-Programmierung (KI-Anwendungspipeline) und verknüpft KI-Konzepte mit studienrelevanten Themen. Diese Verknüpfung eröffnet einen neuen Lösungsraum und fördert das Interesse und das Verständnis für die Potenziale und Risiken von KI bei den Studierenden. Anhand einer Beispielvorlesungsreihe für Studierende der Energiewirtschaft wird gezeigt, wie KI nahtlos in den Unterricht integriert werden kann. Dafür wird das Planungsraster für angewandte KI an die Fachvorlesung angepasst. Dadurch können die Studierenden eine fachspezifische Aufgabenstellung Schritt für Schritt mit der KI-Anwendungspipeline lösen. So zeigt die Anwendung des didaktischen Planungsrasters für angewandte KI die praktische Umsetzung der theoretischen Konzepte der KI. Darüber hinaus wird eine Checkliste vorgestellt, anhand derer beurteilt werden kann, ob KI in der entsprechenden Vorlesung eingesetzt werden kann. KI als Future Skill muss von den Studierenden anhand von Anwendungsfällen erlernt werden, die für das Studienfach relevant sind. Aus diesem Grund sollte sich die KI-Ausbildung nahtlos in verschiedene Curricula einfügen lassen, auch wenn die Studierenden aufgrund ihres Studienfachs keinen Programmierhintergrund haben.