Diese Fortbildung vermittelt Kenntnisse zur Entwicklung, Bewertung und praktischen Nutzung von Prognosemodellen. Im Mittelpunkt stehen statistische Verfahren, Machine Learning und künstliche Intelligenz zur Analyse großer Datenmengen und zur Ableitung zukünftiger Entwicklungen. Die Teilnehmenden lernen, Daten für Analyseprozesse vorzubereiten, geeignete Merkmale zu entwickeln, Modelle zu trainieren und deren Qualität zu bewerten. Darüber hinaus werden Möglichkeiten behandelt, Analysemodelle in bestehende IT- und Unternehmensprozesse einzubinden. Weitere Schwerpunkte liegen auf Predictive Quality, KI-gestützten Unternehmenslösungen, Datenschutz, Modellpflege und der verständlichen Aufbereitung von Analyseergebnissen für unterschiedliche Fachbereiche.
Predictive Analytics und datenbasierte Prognosen- Grundlagen von Predictive Analytics und datengetriebenen Entscheidungsprozessen
- Aufbau und Einsatz von Prognosemodellen in Unternehmen
- Vorbereitung, Strukturierung und Nutzung geeigneter Datenquellen
- Auswahl statistischer Verfahren und Machine-Learning-Algorithmen
- Entwicklung praxisbezogener Vorhersagemodelle für betriebliche Anwendungsfälle
- Einsatz von Analyseplattformen, Automatisierung und unterstützenden Tools
- Training, Test und Bewertung von Modellen
- Überprüfung von Modellgüte, Stabilität und Übertragbarkeit
- Aufbereitung von Prognoseergebnissen für Dashboards und Entscheidungsprozesse
- Umgang mit Bias, Erklärbarkeit, Datenschutz und regulatorischen Anforderungen
- Betrieb, Pflege und wirtschaftliche Bewertung von Prognosemodellen
Datenmanagement, Feature Engineering und Modellintegration
- Erfassung, Bereinigung und Aufbereitung großer Datenbestände
- Auswahl relevanter Datenmerkmale für Analyse- und Prognosemodelle
- Feature Engineering zur Verbesserung der Modellleistung
- Einbindung von Analysemodellen in bestehende IT-Strukturen
- Schnittstellen zwischen Datenbanken, Analysewerkzeugen und Fachanwendungen
- Kontinuierliche Überwachung und Anpassung eingesetzter Algorithmen
- Zusammenarbeit zwischen Data-Science-, IT- und Fachabteilungen
Qualitätsmanagement und Predictive Quality
- Grundlagen von Quality 4.0 und datenbasierter Qualitätssteuerung
- Strategische Einordnung von Predictive Quality im Unternehmen
- Smart Data Management im Qualitätsmanagement
- Datenaufbereitung für qualitätsbezogene Analyseprozesse
- Statistische Analysen und Machine Learning für Qualitätsprognosen
- Softwaregestützte Anwendungen im Bereich Predictive Quality
- Einführung und organisatorische Verankerung von Predictive-Quality-Prozessen
- Messung von Leistung, Wirksamkeit und Verbesserungsfortschritt
- Kontinuierliche Optimierung von Prozessen und Qualitätskennzahlen
- Risikomanagement, Datenschutz und ethische Fragestellungen
- Branchenspezifische Einsatzmöglichkeiten und Entscheidungsstrukturen
Künstliche Intelligenz für informatikgestützte Anwendungen
- Grundlagen der künstlichen Intelligenz und ihre Bedeutung für Unternehmen
- Anwendungsfelder und Use Cases in unterschiedlichen Branchen
- Planung und Steuerung von KI-Projekten
- CRISP-DM als Vorgehensmodell für datenbezogene Projekte
- Agile Methoden im KI-Projektumfeld
- Datenqualität und Data Governance als Grundlage für KI-Systeme
- Rechtliche Rahmenbedingungen, EU AI Act und Datenschutz-Grundverordnung
- Ethische Anforderungen an den Einsatz von KI
- KI-Technologien und Integration in Unternehmensarchitekturen
- Kompetenzaufbau und organisatorische Veränderungen im Rahmen der KI-Transformation
Machine Learning und Deep Learning in Unternehmenslösungen
- Methoden des Machine Learning im betrieblichen Anwendungskontext
- Klassische Algorithmen für Analyse- und Prognoseaufgaben
- Deep-Learning-Architekturen und moderne KI-Modelle
- Datenmanagement für Machine-Learning- und Deep-Learning-Anwendungen
- Auswahl geeigneter Technologien, Frameworks und Tools
- Deployment von KI-Modellen in Unternehmenssystemen
- Integration von KI-Lösungen in bestehende Prozesse und Anwendungen
- Projektmanagement für KI-gestützte Unternehmenslösungen
- Governance, Compliance und Dokumentation von KI-Anwendungen
Kommunikation und Zusammenarbeit
- Darstellung komplexer Analyseergebnisse für Fachbereiche und Entscheidungsträger
- Ableitung von Handlungsempfehlungen aus Prognose- und Modellresultaten
- Zusammenarbeit mit Datenbankexpert*innen, IT-Teams und Fachabteilungen
- Dokumentation von Analyseprozessen, Modellergebnissen und Qualitätskennzahlen