AI-Produkte mit Domain-driven Design

-- Beschreibung

Du stehst vor der Herausforderung, innovative datenbasierte Softwarelösungen zu entwickeln. Du fragst dich, an welchen Stellen der Produktentwicklung KI zum Einsatz kommen kann. Mittlerweile existieren unzählige Modelle, die über APIs verfügbar sind, sowie Open-Source-Lösungen, die genutzt werden können, ohne dass ein eigenes Modell trainiert werden muss. Es ist alles da. Commodity AI wird möglich. Wie legst Du los? An welchen Stellen Deines Produkts macht es Sinn, KI zu integrieren? Welche Features werden möglich, die vorher nicht umsetzbar oder zu teuer waren?

Fühlst du dich angesprochen? Dann ist dieses Training genau das Richtige für dich! Lass dich von unseren erfahrenen Trainer:innen in die praxisnahe Anwendung von Künstlicher Intelligenz und maschinellem Lernen einführen. Erfahre, wie du AI/ML-Anwendungsfälle identifizieren und validieren kannst, und erhalte fundierte Kenntnisse über die passenden Werkzeuge und Strategien für die erfolgreiche Umsetzung und Inbetriebnahme. Im Laufe des Workshops nutzen wir dabei die Domain-driven-Design-Methodik, für die keine Vorkenntnisse erforderlich sind.

Tag 1: Im ersten Praxisteil lernen wir Event Storming und das ML Design Canvas kennen. Event Storming ist eine Methode des Collaborative Modeling und Knowledge Crunchings, eine Methodik des Domain-Driven Design. Sie hilft Domänenexpert:innen, technischen Expert:innen, Entwickler:innen und allen anderen Teammitgliedern, ein gemeinsames Verständnis der Geschäftsdomäne zu entwickeln. Dabei gehen wir von realen Use Cases aus und so können wir dann weitere Use Cases innerhalb Projekten für innovative AI/ML-Technologien identifizieren. Dafür sind Domain Driven Design Kenntnisse nicht notwendig.

Tag 2: Im zweiten Praxisteil formulieren wir gemeinsam, auf Basis der gefundenen Use Cases, konkrete ML-Problemstellungen. Das tun wir auf dem ML Design Canvas, welches am ersten Tag bvorgestellt wurde. Danach strukturieren wir auf dem Canvas das ML-Projekt und spezifizieren alle Komponenten für die Training- und Prediction-Phasen. Im Anschluss sprechen wir über das Data Landscape Canvas, um die Datenverfügbarkeit zu klären.