Veranstaltungsprogramm

The adoption of the EU AI Act on May 21, 2024, marks a significant regulatory shift that places new demands on industries that rely on AI systems. These regulations create a need for industries to prepare their AI systems to meet stringent requirements that ensure safety, transparency, and accountability. The AI Act requires that AI applications be categorized into one of four risk classes. The focus is on high-risk AI systems, which are subject to strict regulations. The need for clear metrics and standards is great, as many of the necessary standards from organizations such as ISO and DIN are still being developed. In this paper, we present guidelines for the development of high-risk AI systems that address the requirements of the AI Act. In addition, we map existing standards and metrics to the requirements, supported by solution approaches and best practices, as well as methods and tools. To ensure practicality, we evaluated and refined our guidelines using two use cases provided by an industry partner.

Der Beitrag stellt die Daten-Karte vor, eine Methode zur systematischen Dokumentation von Daten im Kontext der interdisziplinären KI-Systementwicklung. Sie ermöglicht die strukturierte Erfassung und Beschreibung von Daten entlang ihres Lebenszyklus und trägt zur Förderung eines umfassenden Verständnisses, sowie einer verbesserten Zusammenarbeit zwischen Domänen- und KI-Experten bei. Basierend auf einer Literaturrecherche werden existierende Dokumentationsansätze identifiziert und analysiert, um darauf aufbauend die Daten-Karte zu konzipieren. Durch die Einbindung aktueller ISO/IEC-Inhalte wird die Intergation des aktuellen Wissenstandes sichergestellt. Die Daten-Karte berücksichtigt Best Practices, um Anforderungen wie Flexibilität, Modularität und Erweiterbarkeit zu erfüllen. Relevante Inhalte sind in 11 thematische Cluster gegliedert, jeweilige Betrachtungskriterien werden durch Leitfragen für Anwender unterschiedlicher datenbezogener Kompetenz zugänglich gemacht. Ein Anwendungsbeispiel aus der Konstruktionslehre verdeutlicht die Anwendbarkeit der Daten-Karte zur Verbesserung von Transparenz und Nachvollziehbarkeit in interdisziplinären KI-Entwicklungsprojekten.

Using machine learning in data mining, knowledge about systems and user behavior can be generated from the data and made available to product developers. However, it can be challenging to identify a suitable machine learning algorithm for a specific data mining task. Methods for selecting machine learning algorithms during data mining can assist data miners in this process. In this work, an empirical study conducted in the automotive industry showed dependencies from selecting suitable algorithms for the data mining task. A process model for algorithm selection is designed and presented based on the findings of the empirical study and an existing problem-solving process called "SPALTEN." The integration of the selection approach into the data mining process based on the "cross-industry standard process for data mining" (CRISP-DM) model is discussed. The here presented model can be used as a meta-model for algorithm selection tools and approaches. As a result, the model supports data miners in selecting a suitable algorithm for their data mining task, considering relevant dependencies to the task. It can be applied across machine learning paradigms and problems.

Die steigende Komplexität von Produkt- und Technologieentwicklungen erfordert mehr Zusammenarbeit zwischen Organisationen und ein Öffnen von Innovationsprozessen im Sinne des Open Innovation Paradigmas. Insbesondere KMU haben dabei Schwierigkeiten, geeignete Partner auszuwählen, da traditionelle Methoden oft zeit-aufwendig und subjektiv sind. Der Einsatz von Künstlicher Intelligenz (KI) zur Partnerauswahl bietet das Potenzial die Effektivität und Effizienz deutlich zu steigern. In diesem Beitrag wird deswegen untersucht, inwieweit eine KI-gestützte Vorgehensweise die Partnerauswahl im Vergleich zu traditionellen Methoden verbessert. Die hier auf-geführte Fallstudie eines mittelständischen Unternehmens der optischen Oberflächenprüfung zeigt, dass KI den Zeit- und Ressourcenaufwand erheblich reduziert und besser passende Partner identifiziert. Die Ergebnisse deuten darauf hin, dass KI-gestützte Verfahren objektiver sind und menschliche Fehler minimieren. Zukünftige Forschung sollte die Algorithmen verbessern und weitere Auswahlkriterien einbeziehen, um die Generalisierbarkeit der Ergebnisse zu verbessern sowie den langfristigen Erfolg von Open Innovation-Projekten zu untersuchen.