Workshop Künstliche Intelligenz – Hands-on KI: Verstehen. Programmieren. Anwenden.

Workshop "Hands-on KI: Verstehen. Programmieren. Anwenden." - 02.09.2025

Online

Einleitung und Zielsetzung

Die rasante Entwicklung Künstlicher Intelligenz (KI) bietet Unternehmen heute herausragende Chancen zur Optimierung ihrer Geschäftsprozesse und zur Steigerung ihrer Wettbewerbsfähigkeit.

Im Rahmen unserer Workshop-Reihe „Von der Idee zur Intelligenz“ luden wir daher Unternehmensvertreter ein, um sie praxisnah in die Welt der KI-Programmierung einzuführen. Unser jüngster Workshop zielte darauf ab, die Fähigkeit zur Lösung technischer Anwendungsfälle wie Klassifikation, Regression und Clustering durch maßgeschneiderte KI-Modelle zu vermitteln.

Zu Beginn des Workshops erhielten die Teilnehmenden einen inspirierenden Impuls über den Weg „Von den Daten zum KI-System“. Dies half, die Relevanz und das Potenzial von KI in einem breiten industriellen Kontext zu verdeutlichen.

Im Verlauf des Workshops lag der Schwerpunkt auf praktischen Programmiersprints. Die Teilnehmer beschäftigten sich zunächst mit der Definition und Analyse von Klassifikationsproblemen, gefolgt von einer Einführung in die Datenanalyse und -vorbereitung. Nach einer kurzen Networking-Pause setzten wir den Fokus auf die Modellerstellung und -optimierung, um den Teilnehmern ein Verständnis für die wesentlichen Schritte der KI-Entwicklung zu vermitteln.

Ein weiteres Hauptthema war die Bearbeitung eines Regressionsproblems, wobei zunächst der Akzent auf der eigenständigen Datenanalyse und -vorbereitung lag. Die Teilnehmer wurden anschließend dazu angeleitet, die Modellerstellung und -optimierung selbstständig durchzuführen, um ihre neu gewonnenen Fähigkeiten zu festigen.

Ziel des Workshops war es, den Teilnehmern nicht nur ein praxisnahes Gefühl für die Programmierung von KI-Systemen zu geben, sondern auch die Hürden bei der eigenständigen Entwicklung von KI-Lösungen abzubauen. Es stellte sich heraus, dass sich die Einstiegsschwellen in die KI-Entwicklung oft als weniger hoch erweisen, als häufig angenommen.

Der Abschluss des Workshops wurde durch eine Feedbackrunde abgerundet, in der die Teilnehmer ihre Erfahrungen teilten und den Mehrwert des Gelernten für ihre eigenen Geschäftsbereiche reflektierten. Der Workshop hinterließ die Teilnehmer mit einem klaren Grundverständnis und der Motivation, eigene KI-Initiativen innerhalb ihrer Unternehmen zu vertiefen und voranzutreiben.

Beispiel Klassifikation

Der Prozess zur Entwicklung eines KI-Systems zur Klassifikation von Bauteilen erstreckt sich über mehrere wesentliche Phasen, die systematisch durchlaufen werden, um ein leistungsfähiges und robustes Modell zu entwickeln.

Datenakquise

Der Ausgangspunkt der ersten Aufgabenstellung war das Einlesen und Vorbereiten eines umfassenden Datensatzes, der vielfältige Bauteilmerkmale wie Produktionsvolumen, Produktionskosten, Lieferverzögerung als auch letztendlich den Defektstatus umfasste. Letzterer soll mithilfe eines KI-Modells vorhergesagt werden, sodass es sich bei diesem Beispiel um eine Klassifikationsaufgabe handelt. Mithilfe der Programmiersprache Python und verschiedener Bibliotheken wurde der Datensatz aus einer Excel-Datei eingelesen und strukturiert. Diese systematische Datenakquise legte den Grundstein für die weitere datengetriebene Entwicklung und ermöglichte eine fundierte Ausgangsbasis für die Analytik sowie Modellierung.

Datenanalyse und –vorbereitung

Die zentrale Aufgabe in dieser Phase bestand darin, die Daten gründlich zu analysieren und auf die Modellierung vorzubereiten. Mittels bibliotheksgestützter Methoden wie der Standardisierung sowie der Aufteilung in Trainings- und Testdatensets wurde die Grundlage für eine effektive Modellbildung geschaffen. Überdies verdeutlichte eine explorative Datenanalyse, dass der ursprüngliche Datensatz unausgewogen war. Um diese Disbalance zu beheben, wurde die Gleichverteilung der Klassen gezielt angepasst, was sich als entscheidend für die Modellierung erwies.

Modellauswahl und Training

In dieser Phase wurden verschiedene Ansätze zur Modellauswahl untersucht, darunter neuronale Netze, Random Forest Classifier und die logistische Regression. Der Einsatz von TensorFlow/Keras ermöglichte beispielsweise eine präzise Definition und Implementierung eines neuronalen Netzwerks mit speziellen Designparametern wie Epochenanzahl und Batchgröße. Neben dem neuronenbasierten Ansatz wurde ein Random Forest Classifier herangezogen, welcher durch seine Ensemble-Methode aus Entscheidungsbäumen bestach. Für alle Modelle wurden Trainingsansätze verfeinert, und es erfolgte eine detaillierte Modellauswertung anhand von Konfusionsmatrizen und Klassifikationsberichten.

Modellbewertung und Optimierung

Die abschließende Beurteilung der Modellgüte wurde anhand mehrerer Metriken und Visualisierungen vorgenommen. Diagramme zur Darstellung der Trainings- und Validierungsgenauigkeit sowie Verlustkurven dienten als Feedback-Mechanismus, um Over- oder Underfitting frühzeitig zu erkennen. Nach Evaluation und Feinabstimmung lieferten der Random Forest Classifier sowie der Logistische Klassifikator die besten Ergebnisse, was in ihren respektiven hohen Genauigkeiten reflektiert wurde.

Diese systematische Herangehensweise ermöglichte die erfolgreiche Entwicklung eines robusten KI-Modells zur Klassifikation des Defektstatus, welches nun zur Vorhersage im produktiven Umfeld angewendet werden kann.

Beispiel Regression

Der Prozess zur Entwicklung des KI-Systems für die Vorhersage der Druckfestigkeit von Beton ist eine umfangreiche Erkundung datengetriebener Methoden zur Regression.

Datenakquise

Im ersten Schritt der zweiten Aufgabenstellung widmeten wir uns der systematischen Erfassung eines umfassenden Datensatzes, der wesentliche Eingangsvariablen wie Zement, Flugasche, Wasser, und Superplastifizierer umfasst. Diese Daten wurden mithilfe von Python und verschiedener Bibliotheken effizient aus einer Excel-Datei eingelesen und strukturiert.

Datenanalyse und –vorbereitung

Im nächsten Schritt folgte die tiefgehende Datenanalyse. Ein Profile Report diente zur explorativen Analyse der Variablenverteilungen, -korrelationen und Datenanomalien. Die Datentransformation beinhaltete die Festlegung der Eingangsvariablen und der Zielgröße, wobei die Eingangsvariablen standardisiert wurden, um die Verarbeitung durch skalensensitive KI-Modelle zu optimieren. Die Zielgröße stellte dabei die Druckfestigkeit des Betons dar. Die Daten wurden in Trainings- und Testsets aufgeteilt, um die Modellgüte realistisch zu evaluieren.

Modellauswahl und Training

Die Auswahl des geeigneten Modells erfolgte durch eine systematische Evaluierung von neuronalen Netzen, Random Forest Regressor und XGBoost. Das neuronale Netz, mittels TensorFlow/Keras implementiert, bot flexible Anpassungsmöglichkeiten über Schichten und Neuronenzahl. Ein Fokus lag auf der Auswahl der Aktivierungsfunktion, wobei die Ausgabeschicht linear gehalten wurde, um kontinuierliche Vorhersagen zu unterstützen. Für Random Forests kam die Ensemble-Lernmethode zur Anwendung, um mittels mehrerer Entscheidungsbäume präzise Ergebnisse zu erzielen. XGBoost erweiterte die Methodik durch Gradientenverstärker-Protokolle, optimiert für ein robustes Vorhersageverhalten.

Modellbewertung und Optimierung

Eine Evaluierung der Modelle erfolgte über den mittleren absoluten prozentualen Fehler (MAPE) zur Quantifizierung der Vorhersagegüte. Graphische Visualisierungen des Trainings- und Validierungsverlaufs sowie der Vergleich zwischen tatsächlichen und vorhergesagten Werten dienten als wertvolle Beurteilungswerkzeuge.

In der abschließenden Feinabstimmung wurde das Modell gemäß den Ergebnissen der Testphase optimiert und kontinuierliche Verbesserungen durch Anpassungen der Hyperparameter wie Epochenanzahl, Batch-Größen und Lernrate des Optimierers erzielt. Unter den getesteten Modellen schnitt XGBoost durch seine Präzision und den effektiven Umgang mit komplexen Datenbeziehungen besonders gut ab.

Zusammenfassung und Lessons Learned für die Unternehmen

Der Workshop “Hands-on KI” demonstrierte eindrucksvoll, wie KI zur präzisen Vorhersage und Klassifikation im Rahmen der Entwicklung und Produktion genutzt werden kann. Die gewonnenen Erkenntnisse sind für Unternehmen von besonderer Bedeutung:

Datenvorbereitung ist entscheidend

Eine sorgfältige Datenanalyse und -vorbereitung bildet das Fundament für den Erfolg jeglicher KI-Aufgaben. Nur mit sauberen, vollständigen und in einem geeigneten Format vorliegenden Daten kann die KI genaue Prognosen durchführen.

Integration von Theorie und Praxis

In der akademischen Forschung steht die Perfektionierung von Modellen im Fokus, während sich in der Industrie die Herausforderung stellt, diese Techniken in reale und oft unvollständige Datensätze und Prozesse zu integrieren. Eine erfolgreiche Implementierung von KI erfordert daher ein Gleichgewicht zwischen theoretischen Ansätzen und praktischen Anwendungen.

Kontinuierliche Verbesserung und Anpassung

Um die Leistung von KI-Systemen zu maximieren, ist eine regelmäßige Bewertung und Feinabstimmung notwendig. Die kontinuierliche Optimierung der Trainingsparameter und Anpassung an neue Daten sorgt dafür, dass die Effizienzgewinne langfristig gesichert bleiben.

Abschließend zeigt der Workshop, dass durch eine gezielte Planung, die Auswahl geeigneter Modelle und die kontinuierliche Anpassung der KI-Lösungen sowohl kurzfristige als auch nachhaltige Optimierungen in der Vorhersagegenauigkeit erzielt werden können.

Ausblick

Sie haben den Workshop verpasst oder möchten die Inhalte gerne wiederholen?
Dann schauen Sie sich die Programmierbeispiele unter folgendem Link an und erproben Sie sich selbst:

https://colab.research.google.com/drive/1Rp_Nvkz0fzgYEWFkkGsy0IXPTwwG7mbP?usp=sharing

Hier finden Sie nicht nur die Präsentation des Workshops, sondern auch die Programmier-Frameworks der vorgestellten Klassifikations- und Regressionsaufgabe. Melden Sie sich einfach mit einem Google-Konto an, erstellen Sie eine Kopie der Klassifikations- oder Regressionsaufgabe und füllen Sie die beschriebenen Programmierabschnitte mit Leben, ganz ohne die Notwendigkeit irgendwelcher Vorerfahrungen oder benötigter Installationen. Im Ordner „Beispiele“ finden Sie darüber hinaus als Add-On noch eine Clustering-Aufgabe zum Erproben.

Sie kommen nicht weiter oder wollen Ihre Lösung verifizieren? Dann schauen Sie gerne in den Ordner „Musterloesungen“ oder in unseren veröffentlichten KI-Leitfaden mit einer praxisnahen Schritt-für-Schritt-Anleitung zur Entwicklung und Implementierung eines KI-Modells:

https://trendauto2030plus.de/wp-content/uploads/2024/10/TrendAuto2030plus-Leitfaden-zur-Programmierung-einer-KI.pdf

Haben Sie darüber hinaus Fragen oder möchten Sie Potenziale für Ihr Unternehmen mit uns diskutieren, dann kontaktieren Sie uns gerne telefonisch oder per E-Mail.