inovex ist dieses Jahr mit drei Vorträgen auf der Minds Mastering Machines vertreten:
Lea Petters betrachtet in ihrem Vortrag What could possibly go wrong: Ein (unvollständiger) Leitfaden zum Umgang mit Verzerrungen in Datenprodukten den Umgang mit Verzerrungen in Datenprodukten aus einem praktischen Blickwinkel. Sie zeigt anhand der verschiedenen Phasen im Lebenszyklus eines Datenprodukts auf, welche Fragen sich Datenexpert:innen stellen sollten, um potenzielle Verzerrungen zu verhindern, zu erkennen und frühzeitig zu entschärfen, so dass sie nicht zu einem Risiko für das Datenprodukt werden und welche Methoden, Tools und Bibliotheken dabei unterstützen können, ethische Datenpraktiken in die Arbeit zu integrieren.
Raphael Skuza hält einen Vortrag über Data Orchestration: Worauf es in Zukunft ankommt und möchte eine offene Perspektive auf die Fragen vermitteln, was von modernen Datenorchestrierungstools erwartet wird, ob Airflow die heutigen Erwartungen erfüllt und was die Alternativen (Dagster, Prefect2) anders machen. Datengetriebene skalierte Services oder Produkte können ohne Dateninfrastrukturen heutzutage gar nicht mehr gedacht werden. Zur Dateninfrastruktur gehört auch die Erstellung von Daten-Pipelines. Open-Source-Tools wie Apache Airflow aus dem Hause Airbnb helfen seit 2015 dabei, solche Pipelines zu betreiben. Wer zuvor mit Crontabs gearbeitet hat, der weiß, dass Airflow die Datenorchestrierung revolutioniert hat. Doch erst die Praxiserfahrung mit diesem Tool hat gezeigt, welche Schwachstellen existieren. Basierend auf dieser Erfahrung sind neue Tools entwickelt worden wie Dagster oder Prefect. Die Frage ist demnach: Ist es Zeit, neueren Orchestratoren den Vortritt zu überlassen?
Sebastian Blank fragt sich Conversational AI – Dead or Alive?, gibt einen Überblick über den aktuellen Stand im Bereich Conversational AI und NLP und erklärt, wann der Einsatz solcher Assistenzsysteme hilfreich sein kann. Der Vortrag führt durch aktuelle Entwicklungen im Bereich Conversational AI und NLP. Zudem werden Erfahrungen und Learnings aus vergangenen Projekten mit digitalen Assistenzsystemen geteilt und abgewägt, welchen Mehrwert mögliche Alternativen bieten. Praktische Tipps für die Entwicklung eigener digitaler Assistenten und für schnelles Prototyping kommen dabei nicht zu kurz.
Die Fachkonferenz M3 zu Machine Learning und KI behandelt Grundlagen und aktuelle Entwicklungen von klassischen ML-Verfahren bis zum Einsatz von Transformer-Modellen mit Fokus auf den gesamten Lebenszyklus vom Training über den Weg in den produktiven Einsatz mittels MLOps bis zum Validieren der Modelle in Produktion. Sie richtet sich an Data Scientists, Data Engineers und Developer, die Machine-Learning-Projekte in die Realität umsetzen.