Die statistische Seite von KI – Forschung für die Lehre und Keynote von ifes-Wissenschaftler  

Die statistische Seite von künstlicher Intelligenz, das ist das Thema, mit dem Prof. Dr. Dennis Klinkhammer, kooptierter Wissenschaftler am ifes Institut für Empirie & Statistik der FOM Hochschule, für eine Keynote eingeladen wurde.

Jahrestagung der German-Chinese Association of Artificial Intelligence am 15. Juni 2019 in Berlin mit einer Keynote zur statistischen Seite von KI von FOM Prof. Klinkhammer (Bild: GCAAI)

Das Event: die Jahrestagung der German-Chinese Association of Artificial Intelligence (GCAAI) am 15. Juni 2019 in Berlin. Leitthema in diesem Jahr ist „Building Boarderless Artificial Intelligence“. Es geht dabei um den internationalen Austausch zwischen Wissenschaftlerinnen, Wissenschaftlern und Unternehmen über deren Anwendung von künstlicher Intelligenz. Dabei soll es vor allem um die Passung zwischen statistischen Methoden im Bereich der künstlichen Intelligenz und dem unternehmerischen Bedarf mit Fokus auf Anwenderfreundlichkeit gehen.

Klinkhammer forscht aktuell zur Anwendung von Machine Learning-Verfahren im Kontext von Social Media-Analysen und Online-Radikalisierung. Der Titel seiner Keynote wird sein: “Beyond Algorithms – Introduction to AI for the Management Level”.

„Das Thema künstliche Intelligenz wird oftmals zu stark vereinfacht dargestellt, so dass die zugrunde liegenden statistischen Verfahren und auch die Limitationen dieser nicht korrekt dargestellt werden. Dies führt zu einem ‚Communication Gap‘ zwischen den Entwicklern und Anbietern von künstlicher Intelligenz mit den Unternehmen. Den gilt es zu überwinden“, fasst Klinkhammer das Thema seines Vortrags zusammen.

Er lehrt im Master-Studiengang Big Data & Business Analytics am FOM Hochschulzentrum Köln. Die Schwerpunkte der Lehrtätigkeiten an der FOM Hochschule sind neben den mathematischen Grundlagen insbesondere die quantitativen Forschungsmethoden und die Anwendung varianzanalytischer Verfahren im Kontext von Big Data. Seine Forschung nimmt Einfluss auf die Lehre, indem er die Studierenden in Übungsaufgaben mathematische Modelle modellieren lässt, die “von Hand erstellt“ in Konkurrenz zu etablierten Machine Learning-Algorithmen treten. So lernen die Studierenden deren Möglichkeiten und Limitationen besser einzuschätzen.

Yasmin Lindner-Dehghan Manchadi M.A. | Referentin Forschungskommunikation | 12.04.2019