Artwork

Inhalt bereitgestellt von Alexander Schatten. Alle Podcast-Inhalte, einschließlich Episoden, Grafiken und Podcast-Beschreibungen, werden direkt von Alexander Schatten oder seinem Podcast-Plattformpartner hochgeladen und bereitgestellt. Wenn Sie glauben, dass jemand Ihr urheberrechtlich geschütztes Werk ohne Ihre Erlaubnis nutzt, können Sie dem hier beschriebenen Verfahren folgen https://de.player.fm/legal.
Player FM - Podcast-App
Gehen Sie mit der App Player FM offline!

053 — Data Science und Machine Learning, Hype und Realität — Teil 1

1:02:56
 
Teilen
 

Manage episode 322798886 series 2604595
Inhalt bereitgestellt von Alexander Schatten. Alle Podcast-Inhalte, einschließlich Episoden, Grafiken und Podcast-Beschreibungen, werden direkt von Alexander Schatten oder seinem Podcast-Plattformpartner hochgeladen und bereitgestellt. Wenn Sie glauben, dass jemand Ihr urheberrechtlich geschütztes Werk ohne Ihre Erlaubnis nutzt, können Sie dem hier beschriebenen Verfahren folgen https://de.player.fm/legal.

In dieser Episode ist wieder Dr. Lukas Lang zu Gast. Wir sprechen über Data Science und Machine Learninig (auch »artificial intelligence« genannt). Das ist ein Themenbereich, der sehr viel Potential für unsere Zukunft hat, aber wie alle diese Themenbereiche auch eine Menge an Gefahren, Herausforderungen und Hypes generiert.

Lukas ist ein perfekter Gesprächspartner für dieses Thema, weil er sowohl in der Spitzenforschung tätig war als auch in der industriellen Praxis mit diesen Themen beschäftigt ist. Diese Mischung scheint mir bei komplexen technischen Fragestellungen und Problemen sehr nützlich zu sein.

Lukas hat nach seinem Studium der Informatik eine Promotion im Spezialgebiet Computational Science gemacht. Anschließend war er mehrere Jahre in der universitären Forschung im Bereich der mathematischen Bild- und Datenanalyse tätig, zuletzt an der Universität Cambridge. Seine Arbeit hat Anwendungen in der medizinischen Bildgebung, in der Molekular- und Zellbiologie, und in der Computer Vision.

Derzeit leitet er den Geschäftsbereich »Data Science and AI« eines Spin-Offs des internationalen Industriekonzerns Voestalpine. Sein Team arbeitet an der Umsetzung von Daten-Projekten in der Erzeugung und Verarbeitung von Spezialmetallen, und am Aufbau eines globalen Data Science Programms für die Produktionsstandorte.

Wir haben dieses umfangreiche Thema in zwei Episoden aufgeteilt:

In der ersten Episode beginnen wir das Thema Data Science einzuführen, auch anhand einiger Beispiele, beginnend mit historischen Beispielen sowie Anwendungsfällen der heutigen Zeit. Wir spannen dabei den Bogen von Tycho Brahe und Florence Nightingale bis zu modernen Sprachassistenten und Entscheidungsunterstützung im Militär und zivilen Bereich.

Dann gibt Lukas einen Überblick über wesentliche Prinzipien und Begriffe, die in diesem Zusammenhang immer wieder auftreten, wie Datascience, die Rolle der klassischen Statistik, Modellierung, Visualisierung, EDA, AI, KI, machine learning, multivariate statistik, Datenqualität und vieles mehr.

Wir sprechen dann über die These die seit einiger Zeit im Raum steht, dass man dank Daten und »AI« ja keine Modelle, keine Theorie mehr benötigt The End of Theory, sondern einfach aus Daten lernt und das wäre hinreichend für die wissenschaftliche Betrachtung der Welt.

Wir diskutieren dann Möglichkeiten, Geschäftsmodelle und Grenzen von Machine Learning und Data Science. Wer trifft heute überhaupt Entscheidungen und was ist die Rolle und Funktion eines Data Scientists? Sollten Menschen immer das letzt Wort bei wesentlichen Entscheidungen haben? Ist das überhaupt (noch) realistisch? Welche Rolle spielen regulatorische Maßnahmen wie das aktuelle EU-Framework?

In der zweiten Episode werden wir darauf aufbauend die Frage stellen, wie viel der aktuellen Behauptungen in diesem Feld Realität und wie viel Hype ist. Was können wir in der Zukunft zu erwarten — sowohl im positiven wie auch im negativen? Was sind dominierende Forschungsfragen und wo Grenzen liegen, unerwartete Effekte auftreten, und welche ethischen Fragen durch diese neuen Möglichkeiten zu diskutieren.

xkcd Cartoon

Konkret gibt es das Spannungsfeld zwischen Datensparsamkeit und der Idee alles zu sammeln, weil wir das irgendwie in der Zukunft für uns nutzen können. Aber will der Data Scientists überhaupt in Daten untergehen? Führen mehr Daten zu besseren Entscheidungen?

Wir diskutieren wieder anhand konkreter Beispiele für gute und problematische Anwendungen wie predictiver Policing, Mapping und »KI« für militärische Dronenpiloten.

Welche individuelle Verantwortung leiten wir daraus für Techniker ab? Wie geht Lukas selbst mit diesen Herausforderungen um?

Referenzen

Lukas Lang

Andere Episoden

Fachliche Referenzen

  continue reading

93 Episoden

Artwork
iconTeilen
 
Manage episode 322798886 series 2604595
Inhalt bereitgestellt von Alexander Schatten. Alle Podcast-Inhalte, einschließlich Episoden, Grafiken und Podcast-Beschreibungen, werden direkt von Alexander Schatten oder seinem Podcast-Plattformpartner hochgeladen und bereitgestellt. Wenn Sie glauben, dass jemand Ihr urheberrechtlich geschütztes Werk ohne Ihre Erlaubnis nutzt, können Sie dem hier beschriebenen Verfahren folgen https://de.player.fm/legal.

In dieser Episode ist wieder Dr. Lukas Lang zu Gast. Wir sprechen über Data Science und Machine Learninig (auch »artificial intelligence« genannt). Das ist ein Themenbereich, der sehr viel Potential für unsere Zukunft hat, aber wie alle diese Themenbereiche auch eine Menge an Gefahren, Herausforderungen und Hypes generiert.

Lukas ist ein perfekter Gesprächspartner für dieses Thema, weil er sowohl in der Spitzenforschung tätig war als auch in der industriellen Praxis mit diesen Themen beschäftigt ist. Diese Mischung scheint mir bei komplexen technischen Fragestellungen und Problemen sehr nützlich zu sein.

Lukas hat nach seinem Studium der Informatik eine Promotion im Spezialgebiet Computational Science gemacht. Anschließend war er mehrere Jahre in der universitären Forschung im Bereich der mathematischen Bild- und Datenanalyse tätig, zuletzt an der Universität Cambridge. Seine Arbeit hat Anwendungen in der medizinischen Bildgebung, in der Molekular- und Zellbiologie, und in der Computer Vision.

Derzeit leitet er den Geschäftsbereich »Data Science and AI« eines Spin-Offs des internationalen Industriekonzerns Voestalpine. Sein Team arbeitet an der Umsetzung von Daten-Projekten in der Erzeugung und Verarbeitung von Spezialmetallen, und am Aufbau eines globalen Data Science Programms für die Produktionsstandorte.

Wir haben dieses umfangreiche Thema in zwei Episoden aufgeteilt:

In der ersten Episode beginnen wir das Thema Data Science einzuführen, auch anhand einiger Beispiele, beginnend mit historischen Beispielen sowie Anwendungsfällen der heutigen Zeit. Wir spannen dabei den Bogen von Tycho Brahe und Florence Nightingale bis zu modernen Sprachassistenten und Entscheidungsunterstützung im Militär und zivilen Bereich.

Dann gibt Lukas einen Überblick über wesentliche Prinzipien und Begriffe, die in diesem Zusammenhang immer wieder auftreten, wie Datascience, die Rolle der klassischen Statistik, Modellierung, Visualisierung, EDA, AI, KI, machine learning, multivariate statistik, Datenqualität und vieles mehr.

Wir sprechen dann über die These die seit einiger Zeit im Raum steht, dass man dank Daten und »AI« ja keine Modelle, keine Theorie mehr benötigt The End of Theory, sondern einfach aus Daten lernt und das wäre hinreichend für die wissenschaftliche Betrachtung der Welt.

Wir diskutieren dann Möglichkeiten, Geschäftsmodelle und Grenzen von Machine Learning und Data Science. Wer trifft heute überhaupt Entscheidungen und was ist die Rolle und Funktion eines Data Scientists? Sollten Menschen immer das letzt Wort bei wesentlichen Entscheidungen haben? Ist das überhaupt (noch) realistisch? Welche Rolle spielen regulatorische Maßnahmen wie das aktuelle EU-Framework?

In der zweiten Episode werden wir darauf aufbauend die Frage stellen, wie viel der aktuellen Behauptungen in diesem Feld Realität und wie viel Hype ist. Was können wir in der Zukunft zu erwarten — sowohl im positiven wie auch im negativen? Was sind dominierende Forschungsfragen und wo Grenzen liegen, unerwartete Effekte auftreten, und welche ethischen Fragen durch diese neuen Möglichkeiten zu diskutieren.

xkcd Cartoon

Konkret gibt es das Spannungsfeld zwischen Datensparsamkeit und der Idee alles zu sammeln, weil wir das irgendwie in der Zukunft für uns nutzen können. Aber will der Data Scientists überhaupt in Daten untergehen? Führen mehr Daten zu besseren Entscheidungen?

Wir diskutieren wieder anhand konkreter Beispiele für gute und problematische Anwendungen wie predictiver Policing, Mapping und »KI« für militärische Dronenpiloten.

Welche individuelle Verantwortung leiten wir daraus für Techniker ab? Wie geht Lukas selbst mit diesen Herausforderungen um?

Referenzen

Lukas Lang

Andere Episoden

Fachliche Referenzen

  continue reading

93 Episoden

Alle Folgen

×
 
Loading …

Willkommen auf Player FM!

Player FM scannt gerade das Web nach Podcasts mit hoher Qualität, die du genießen kannst. Es ist die beste Podcast-App und funktioniert auf Android, iPhone und im Web. Melde dich an, um Abos geräteübergreifend zu synchronisieren.

 

Kurzanleitung