Voraussetzungen besser auf Architekten zuschneiden, sie sind eben _keine_ KI/ML-Spezialisten

[mattes3]

In den Voraussetzungen für die Teilnehmer:innen steht:

Teilnehmer:innen sollten folgende Kenntnisse und/oder Erfahrung mitbringen:

• Grundlegendes Wissen zu KI, Machine Learning und Data Science
• Machine Learning Methoden wie Supervised, Unsupervised Learning und Reinforcement Learning, z.B Klassifikation, Clustering, Regression, Dimensionality Reduction
• Grundsätzliches Wissen über die typischen Algorithmen wie: Linear/logistic regression, decision trees, random forests, support vector machines, K-means clustering, neural networks and deep learning
• Wissen über Model evaluation: Cross-validation, Metrics (accuracy, precision, recall, F1-score), Bias-variance tradeoff
• Erfahrung mit typischen Frameworks wie sk-learn, TensorFlow, PyTorch
• Erfahrung mit Jupyter Notebooks oder ähnlichen Rapid Application Development (RAD) Werkzeugen
• Wissen über die technischen Verfahren hinter KI, einschließlich: Maschinelles Lernen inkl. Deep Learning und LLMs, NLP-Ansätze (Natural Language Processing), Transformationsmodelle
• Praktische Erfahrung mit Trainieren von Künstlichen Intelligenz Modellen

Ich finde, der Kurs richtet sich eher an Architekt:innen, nicht an ML-Expert:innen, oder? Bei ersteren sollte "Grundwissen plus ein wenig damit gespielt haben" ausreichen. Im Alltag arbeiten sie ja mit Data Scientists, KI-Expert:innen und Softwareentwickler:innen zusammen, die sind dann für die harten Sachen zuständig und brauchen Erfahrung, das ist klar.

Folgende Voraussetzung sollte man meiner Meinung nach herausnehmen oder als optional kennzeichnen:

• Praktische Erfahrung mit Trainieren von Künstlichen Intelligenz Modellen

[mahboubagharbi]

Wird so bleiben. Feedback vom Council.

[mattes3]

Hmmm... ist mir nicht klar, warum.

[mahboubagharbi]

Eventuell passen wir so an:

• Ein grundlegendes Verständnis von Künstlicher Intelligenz, Machine Learning und Data Science
• Vertrautheit mit Machine Learning-Methoden, wie Supervised Learning, Unsupervised Learning und Reinforcement Learning, einschließlich Klassifikation, Clustering, Regression und Dimensionality Reduction
• Grundkenntnisse über gängige Algorithmen, wie z. B. lineare und logistische Regression, Entscheidungsbäume, Random Forests, Support Vector Machines, K-Means Clustering sowie neuronale Netze und Deep Learning
• Ein Verständnis der Modellevaluation, einschließlich Cross-Validation, relevanter Metriken (Accuracy, Precision, Recall, F1-Score) und des Bias-Variance Tradeoffs
• Erfahrung mit typischen Frameworks wie scikit-learn, TensorFlow und PyTorch
• Vertrautheit mit Jupyter Notebooks oder ähnlichen Werkzeugen zur schnellen Anwendungsentwicklung (Rapid Application Development, RAD)
• Ein grundlegendes Verständnis der technischen Verfahren hinter Künstlicher Intelligenz, einschließlich Maschinellen Lernens (insbesondere Deep Learning und LLMs) sowie Ansätzen im Bereich Natural Language Processing (NLP) und Transformationsmodellen
• Praktische Erfahrung im Training von Künstlichen Intelligenz-Modellen

[magnusse]

Ich fand Mahboubas Vorschlag sehr gut und habe ihn übernommen.