| SWS |
4 |
| ECTS |
5 |
| Sprache(n) |
Deutsch
(Standard)
Englisch
|
| Lehrform |
SU mit Praktikum |
| Angebot |
im Wechsel mit anderen Fächern der gleichen Fachgruppe |
| Aufwand |
60 Präsenzstunden, 90 Stunden Eigenarbeit zur Vor-/Nachbereitung, Arbeit am Projekt und zur Vorbereitung der Präsentation |
| Voraussetzungen |
- Praktische Programmiererfahrung in Python oder Java
- Software Engineering und Umsetzung kleiner Entwicklungsprojekte, Verteilte Systeme
- Grundlagen des Maschinellen Lernens
|
| Ziele |
Fachliche Lernziele: Die Studierenden …
- definieren den Begriff Nachhaltigkeit
- beschreiben in eigenen Worten die Relevanz sowie Aspekte von Nachhaltigkeit im Umfeld von AI
- wenden Techniken für ressourcenschonendes Training sowie Dateneffizienz von AI-Lösungen systematisch und gezielt an
- analysieren bestehende AI-Lösungen mit Blick auf Nachhaltigkeitskriterien wie z.B. Ressourcenverbrauch
- bewerten die Nachhaltigkeit einer AI-Lösung mit Hilfe von Effizienzmetriken und Nachhaltigkeitskriterien
- entwerfen und implementieren eine prototypische AI-Lösung für einen konkreten Use Case mit Nachhaltigkeitsbezug
- dokumentieren ihre Erkenntnisse mit geeigneten Mitteln
- diskutieren Vorgehensweisen und Arbeitsergebnisse in den Projektgruppen und im Plenum
Überfachliche Lernziele
Ergänzend entwickeln die Studierenden Schlüsselkompetenzen weiter, die für nachhaltiges Handeln essenziell notwendig sind, insbesondere:
- Ganzheitliches Denken
- Systemisches Denken
- Reflexionsfähigkeit
|
| Inhalt |
Sustainability
- Nachhaltigkeit – was ist das eigentlich?
- Inwieweit ist Nachhaltigkeit im Umfeld von AI relevant?
AI Allgemein
- AI Landkarte
- Technischer Werkzeugkasten
- Qualitätskriterien für AI
Sustainability of AI
- Ressourcenverbrauch von AI-Lösungen (Atlas of AI)
- Effizienzmetriken und Nachhaltigkeitskriterien für AI
- Ressourcenschonendes Training
- Dateneffizienz
- Edge Computing / Analytics
- Sustainability im AI-Lifecycle
- Alternative Ansätze (Hardware und Algorithmik)
AI for Sustainability: Für einen konkreten Use Case
- Problemanalyse
- Konzept
- Umsetzung
- Bewertung hinsichtlich Qualitäts- und Nachhaltigkeitskriterien
|
| Medien und Methoden |
Medien:
- Folien
- Tutorials zu technischen Werkzeugen
Methoden:
- Just in Time Teaching (JiTT)
- Projektarbeit
|
| Literatur |
- Aimee van Wynsberghe, Sustainable AI: AI for sustainability and the sustainability of AI, Springer AI and Ethics (2021)
- Kate Crawford, Atlas of AI: The Real Worlds of Artificial Intelligence, Yale University Press (2021)
- Sebastian Raschka, Machine Learning with PyTorch and Scikit-Learn, Packt Publishing (2022)
- Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2. Ausgabe, O'Reilly Media (2019)
- Richard Szeliski, Computer Vision: Algorithms and Applications, 2. Ausgabe, Springer (2022)
|
| Zuordnungen Curricula |
| SPO |
Fachgruppe |
Code |
ab Semester |
Prüfungsleistungen |
IF Version 2019 |
FWP |
|
6 |
Modularbeit (60%)
Präsentation (40%)
|
DC Version 2020 |
WPF Anwendungen des maschinellen Lernens |
DC-WPF-ML-05-004 |
5 |
Modularbeit (60%)
Präsentation (40%)
|
IB Version 2010 |
FWP |
IF-WI-B-31-34-150 |
6 |
Modularbeit (60%)
Präsentation (40%)
|
DC Version 2023 |
WPF Anwendungen des maschinellen Lernens |
DC-WPF-ML-05-004 |
5 |
Modularbeit (60%)
Präsentation (40%)
|
IF Version 2023 |
FWP |
|
6 |
Modularbeit (60%)
Präsentation (40%)
|
WD Version 2022 |
FWP |
951-55-150 |
6 |
Modularbeit (60%)
Präsentation (40%)
|
WT Version 2022 |
FWP |
951-55-150 |
6 |
Modularbeit (60%)
Präsentation (40%)
|
|
