Künstliche Intelligenz ist auf dem Vormarsch, ohne Zweifel. Egal ob Qualitätssicherung in der Produktion, Retourenmanagement im Online-Handel oder Customer-Support via Chatbot - KI eröffnet bisher noch nicht dagewesene Möglichkeiten, die eigenen Prozesse und Geschäftsmodelle deutlich zu verbessern. Vorausgesetzt man verfügt über gute Ideen und hinreichend viele und qualifizierte Daten. Aber wie genau kommt man zu diesen Ideen? Und wie lässt sich KI in die eigene Software-Architektur integrieren? Wer befindet über das richtige Modell und den richtigen Algorithmus? Und wie wird über die hinreichende Quantität / Qualität von Daten entschieden? Die Session veranschaulicht die verschiedenen Herausforderungen, die sich durch das Einbinden von KI für die eigene Softwareentwicklung ergeben können, und zeigt dafür passende, pragmatische Lösungsansätze auf.
Gestern wurde ich zu einem internen Event der BWI GmbH, dem internen IT Dienstleister der Bundeswehr, geladen, um einen Impuls zu Organisationsdesign zu geben.
Im ersten Teil habe ich einen Blick in die Märkte gewagt, im zweiten einen Blick in Unternehmen. Damit habe Gründe aufgezeigt, warum so viele Unternehmenslenker derzeit Druck zur Transformation verspüren.
Im dritten Teil habe ich dann anhand unserer Transformationspyramide mit ihren 6 Ebenen einen ganzheitlichen Ansatz für Transformation angereicht. Aber Vorsicht: Wer nach Rezepten Ausschau hält, wird hier natürlich nicht fündig.
Die Digitalisierung zwingt Unternehmen zur Agilisierung. Doch warum eigentlich? Und wie viele Mißverständnisse gibt es auf dem Weg? Inklusive Lösungsideen, wie du bessere Software auch organisatorisch schneller liefern kannst.
Wir besprechen, warum Organisationen diese Notwendigkeit haben. Was die CIOs, IT-Leiter, Vorstände und Geschäftsführer umtreibt.
Welche Mißverständnisse beim Einsatz Agiler Methoden und Skalierungsmodelle entstehen. Welche Snake Oils von der Industrie angedient werden.
Und letztlich: Worum es eigentlich bei der Agilisierung und Digitalisierung geht. Was du tun kannst.
Damit alles in Bewegung bleibt.
Versteht man seine Anwendung als Kombination (fast) unabhängiger Services, so ergeben sich nicht nur für Entwicklung und Deployment neue Perspektiven.
Denn nicht nur die eigenen Services können internen oder externen Dritten zur Verfügung gestellt werden, sondern auch der umgekehrte Weg ist denkbar.
Eine entsprechend flexible Architektur vorausgesetzt, lässt sich die eigene Fachlichkeit durch 3rd Party Services sinnvoll und gewinnbringend ergänzen, ohne dabei das Rad neu erfinden zu müssen.
Besonders interessant scheint hier das Feld der künstlichen Intelligenz zu sein. Egal ob automatische Texerkennung, Retourenvorhersagen, Qualitätsicherung in der Produktion oder die Vorhersage von Terminen zur Maschinenwartung; die Möglichkeiten scheinen nahezu unbegrenzt.
Die Session zeigt, welche Möglichkeiten heute bereits Out-of-the-Box AI Services bieten und für welche Aufgaben man doch besser einen ML Experten mit ins Boot holen sollte.
Künstliche Intelligenz ist auf dem Vormarsch, ohne Zweifel. Egal ob Qualitätssicherung in der Produktion, Retourenmanagement im Online-Handel oder Customer-Support via Chatbot: KI eröffnet bisher noch nicht dagewesene Möglichkeiten, die eigenen Prozesse und Geschäftsmodelle deutlich zu verbessern - vorausgesetzt man verfügt über hinreichend viele und qualifizierte Daten.
Aber wie lässt sich KI in die eigene Software-Architektur integrieren? Wer befindet über das richtige Modell und den richtigen Algorithmus? Und wie wird über die hinreichende Quantität / Qualität von Daten entschieden? Die Rolle des KI-Architekten scheint geboren.
Die Session veranschaulicht die verschiedenen Herausforderungen, die sich durch das Einbinden von KI für die eigene Software-Entwicklung ergeben können und zeigt dafür passende, pragmatische Lösungsansätze auf.
UX und Agile - eine Aufgabe für das ganze TeamStefan ROOCK
Es gibt ein wachsendes Verständnis dafür, dass die User Experience (UX) ein wesentlicher Erfolgsfaktor für Softwareentwicklung ist – für Internetanwendungen, Apps und auch bei Inhouseanwendungen. Es herrscht häufig noch Unsicherheit darüber, wie UX mit agiler Entwicklung kombiniert werden kann. Der Vortrag argumentiert, dass UX eine gemeinsame Aufgabe des ganzen Teams ist, und zeigt verschiedene Möglichkeiten, wie UX und Agile kombiniert werden können: beginnend von klassischem Denken mit vorgelagerter UX, über Dual Track Agile mit paralleler UX bis hin zu vollständiger Integration von UX in Sprints/Iterationen. Die einzelnen Ansätze werden mit Fallbeispielen unterlegt und bzgl. der jeweiligen Vor- und Nachteile bewertet. Nach dem Vortrag kennen die Teilnehmer verschiedene Optionen für die Kombination von UX und Agile und haben Ideen, was sie als Nächstes im eigenen Kontext tun können.
Warum ist das Thema relevant (nicht nur für HR Dienstleister)
Einige Zahlen zum warmwerden
Personal Branding: Talente machen sich hübsch
Sourcing, Semantik und ein paar Basics
Recruiting richtig machen
Textkernel Extract!: 1-click-Bewerbung für alle.
Textkernel Search!: Effizient Talente finden – intern und extern.
Textkernel Match!: Robot Recruiting?
Damit Sourcing sich lohnt: Mit Jobfeed potentielle Kunden finden
Gestern wurde ich zu einem internen Event der BWI GmbH, dem internen IT Dienstleister der Bundeswehr, geladen, um einen Impuls zu Organisationsdesign zu geben.
Im ersten Teil habe ich einen Blick in die Märkte gewagt, im zweiten einen Blick in Unternehmen. Damit habe Gründe aufgezeigt, warum so viele Unternehmenslenker derzeit Druck zur Transformation verspüren.
Im dritten Teil habe ich dann anhand unserer Transformationspyramide mit ihren 6 Ebenen einen ganzheitlichen Ansatz für Transformation angereicht. Aber Vorsicht: Wer nach Rezepten Ausschau hält, wird hier natürlich nicht fündig.
Die Digitalisierung zwingt Unternehmen zur Agilisierung. Doch warum eigentlich? Und wie viele Mißverständnisse gibt es auf dem Weg? Inklusive Lösungsideen, wie du bessere Software auch organisatorisch schneller liefern kannst.
Wir besprechen, warum Organisationen diese Notwendigkeit haben. Was die CIOs, IT-Leiter, Vorstände und Geschäftsführer umtreibt.
Welche Mißverständnisse beim Einsatz Agiler Methoden und Skalierungsmodelle entstehen. Welche Snake Oils von der Industrie angedient werden.
Und letztlich: Worum es eigentlich bei der Agilisierung und Digitalisierung geht. Was du tun kannst.
Damit alles in Bewegung bleibt.
Versteht man seine Anwendung als Kombination (fast) unabhängiger Services, so ergeben sich nicht nur für Entwicklung und Deployment neue Perspektiven.
Denn nicht nur die eigenen Services können internen oder externen Dritten zur Verfügung gestellt werden, sondern auch der umgekehrte Weg ist denkbar.
Eine entsprechend flexible Architektur vorausgesetzt, lässt sich die eigene Fachlichkeit durch 3rd Party Services sinnvoll und gewinnbringend ergänzen, ohne dabei das Rad neu erfinden zu müssen.
Besonders interessant scheint hier das Feld der künstlichen Intelligenz zu sein. Egal ob automatische Texerkennung, Retourenvorhersagen, Qualitätsicherung in der Produktion oder die Vorhersage von Terminen zur Maschinenwartung; die Möglichkeiten scheinen nahezu unbegrenzt.
Die Session zeigt, welche Möglichkeiten heute bereits Out-of-the-Box AI Services bieten und für welche Aufgaben man doch besser einen ML Experten mit ins Boot holen sollte.
Künstliche Intelligenz ist auf dem Vormarsch, ohne Zweifel. Egal ob Qualitätssicherung in der Produktion, Retourenmanagement im Online-Handel oder Customer-Support via Chatbot: KI eröffnet bisher noch nicht dagewesene Möglichkeiten, die eigenen Prozesse und Geschäftsmodelle deutlich zu verbessern - vorausgesetzt man verfügt über hinreichend viele und qualifizierte Daten.
Aber wie lässt sich KI in die eigene Software-Architektur integrieren? Wer befindet über das richtige Modell und den richtigen Algorithmus? Und wie wird über die hinreichende Quantität / Qualität von Daten entschieden? Die Rolle des KI-Architekten scheint geboren.
Die Session veranschaulicht die verschiedenen Herausforderungen, die sich durch das Einbinden von KI für die eigene Software-Entwicklung ergeben können und zeigt dafür passende, pragmatische Lösungsansätze auf.
UX und Agile - eine Aufgabe für das ganze TeamStefan ROOCK
Es gibt ein wachsendes Verständnis dafür, dass die User Experience (UX) ein wesentlicher Erfolgsfaktor für Softwareentwicklung ist – für Internetanwendungen, Apps und auch bei Inhouseanwendungen. Es herrscht häufig noch Unsicherheit darüber, wie UX mit agiler Entwicklung kombiniert werden kann. Der Vortrag argumentiert, dass UX eine gemeinsame Aufgabe des ganzen Teams ist, und zeigt verschiedene Möglichkeiten, wie UX und Agile kombiniert werden können: beginnend von klassischem Denken mit vorgelagerter UX, über Dual Track Agile mit paralleler UX bis hin zu vollständiger Integration von UX in Sprints/Iterationen. Die einzelnen Ansätze werden mit Fallbeispielen unterlegt und bzgl. der jeweiligen Vor- und Nachteile bewertet. Nach dem Vortrag kennen die Teilnehmer verschiedene Optionen für die Kombination von UX und Agile und haben Ideen, was sie als Nächstes im eigenen Kontext tun können.
Warum ist das Thema relevant (nicht nur für HR Dienstleister)
Einige Zahlen zum warmwerden
Personal Branding: Talente machen sich hübsch
Sourcing, Semantik und ein paar Basics
Recruiting richtig machen
Textkernel Extract!: 1-click-Bewerbung für alle.
Textkernel Search!: Effizient Talente finden – intern und extern.
Textkernel Match!: Robot Recruiting?
Damit Sourcing sich lohnt: Mit Jobfeed potentielle Kunden finden
Es gibt ein paar Veränderungen in unserer Arbeitswelt, die sollten wir im Recruiting unbedingt auf dem Schirm haben.
Meine 7 Thesen:
- Die Gesetze der Industrialisierung stimmen nicht mehr
- Unsere Personalauswahl braucht ein neues Fundament
- Wir müssen von der Ressource zum Menschen
- KI unterstützt, aber wird nie den Menschen ersetzen
- Hiring Manager werden der Schlüssel zum Recruiting
- Offline Netzwerk und Personal Branding nehmen an Bedeutung zu
- Nur ein respektierter Recruiter (m/w) ist ein guter Recruiter
Semantik knackt Big Data:
Der Großteil der Personaldaten besteht überwiegend aus Worten, nicht aus Zahlen, und nur semantische Technologien können diese riesigen Datenmengen effizient strukturieren
Kaum ein Begriff ist in den letzten Jahren in der Softwareentwicklung so überstrapaziert worden wie der des MVP. Das Minimum Viable Product ist mal Heilsbringer mal Fluch und wird allzu gerne instrumentalisiert um für und wieder alles Mögliche zu argumentieren. Da wird ebenso leichtfertig technische Schuld auf sich genommen wie nur halbherzig getestet - "Ist ja erst mal nur ein MVP". - Folien zu meiner Keynote auf der Modern RE
Ein kurzer Rundumschlag zum Thema Agiles Anforderungsmanagement. Aufgrund der Größe der Themas kann dieser Vortrag ruhigen Gewissens als "quick & dirty" bezeichnet werden.
Mittelstand trifft künstliche Intelligenz - Point of ViewWeissmanGruppe
Künstliche Intelligenz stellt neben Blockchain, Augmented Reality, Big Data und zahlreichen anderen Themenfelder ein aktuelles Trendmedium dar. Durch die kontinuierliche, technische Weiterentwicklung und zahlreiche Innovationen in diesem Feld wird der Einsatz von künstlicher Intelligenz auch für den deutschen Mittelstand immer interessanter. Die grundlegende Funktionsweise wird, ebenso wie mögliche Anwendungen in diesem Point of View zusammenfassend dargestellt.
Recrutainment - Spielerische Ansätze in Personalmarketing und -auswahlJoachim Diercks
Recrutainment bezeichnet den Einsatz spielerisch-simulativer Elemente in Berufsorientierung, Employer Branding, Personalmarketing und Recruiting.
Recrutainment dient der Verbesserung des Zusammenfindens von „passendem“ Kandidat und „passendem“ Arbeitgeber bzw. „passender“ Ausbildungseinrichtung.
Unterhaltung ist im Recrutainment kein Selbstzweck. Wichtig ist immer der konkrete Bezug zu einem Arbeitgeber, einer Ausbildungseinrichtung, Berufen/Berufsbildern oder Berufs- und Bildungswegen.
Unter Recrutainment fallen SelfAssessment Verfahren wie Selbsttests und Berufsorientierungsspiele, Events mit Interaktionselementen und Auswahlverfahren und –tests („Assessment“) mit Unterhaltungs-, Informations- und/oder Simulationscharakter. Online und Offline.
Zwischen Himmel und Hölle - UX in Zeiten von KIChristian Graf
Von heutiger, anwendungsbezogener (oder "schwacher") KI getroffene Entscheidungen sind ihrem Wesen nach komplex und nicht immer direkt nachvollziehbar. Als Folge können Produkte, die maschinelles Lernen oder KI einsetzen, intransparent oder willkürlich wirken und überfordern viele Nutzer. Die Entwicklung von KI-basierten Systemen erfordert daher eine besondere Aufmerksamkeit, ggf. eine veränderte Herangehensweise und ein erweitertes Skillset beim UX-Design. Wir zeigen Beispiele auf, helfen beim Verständnis der neuen Herausforderungen und wollen Wege sie zu bewältigen diskutieren.
Von der bloßen Idee bis zum ersten Kunden - Digital Marketing im Kontext der ...Jean Maurice Port
Präsentation vom 17.11.2016, drittes Semester Marketing am Umwelt Campus Birkenfeld. Kurs von Prof. Dr. Thorsten Schaper. Hat unheimlich viel Spaß gemacht & war hoffentlich auch für die Teilnehmer aufschluss- und lehrreich. Die Kannkind Akademie ist nach dem durchweg positiven Feedback beschlossene Sache & wird demnächst starten. Erste Schritte und weitere Informationen gibt es beizeiten per Mailverteiler!
LG,
Jean Maurice Port
Kanzleimarketing 2023 - 7 unschlagbare SEO Strategien für Ihre KanzleiJohanna Weiers
🔴 Kanzleimarketing 2023 - 7 unschlagbare SEO Strategien für mehr Sichtbarkeit, mehr Mandanten und mehr Umsatz
Ihre Kanzlei Homepage wird bei Google nicht gelistet oder rankt auf den hinteren Suchergebnisseiten? Oder suchen Sie nach neuen Ideen für Ihren Blog?
Ein Beispiel in Zahlen ausgedrückt
Status quo: Sie ranken mit Ihrer Website für das Keyword “Arbeitsrecht Anwalt Köln” auf Position 14, also auf der zweiten Suchergebnisseite. Über diese Seite erhalten Sie aktuell monatlich 140 Klicks/Seitenaufrufe. Von diesen Interessenten ruft jeder 10 an, also 14 Anrufe, von denen etwas ein Drittel zu Mandanten werden.
Nachdem Sie Ihre Website-Keywords und Texte überarbeitet haben, rankt Ihre Seite auf Platz 5. Nun erhalten Sie monatlich 900 Klicks/Seitenaufrufe, 90 Anrufe, 30 neue Mandate. Wie klingt das?
Wir nehmen Sie mit auf eine Reise durch den SEO-Dschungel. Eine fundierte Keyword-Recherche hilft Ihnen, zu verstehen, was Interessenten suchen. Darüber hinaus trägt sie zu einem tieferen Verständnis über die Themen Ihrer Zielgruppe und der Customer Journey bei. Lernen Sie, die Sprache Ihrer Mandanten kennen, indem Sie verstehen, wonach sie suchen und wie sie sich im Internet bewegen. Damit Sie in Zukunft Ihren Mandanten und Interessenten relevantere Inhalte zur Verfügung stellen können.
➡️ ➡️ ➡️ Wir zeigen Ihnen 7 unschlagbare SEO-Strategien, mit denen Sie 2023 durchstarten können. Lernen Sie einige handfeste Tricks und kostenlose Tools kennen.⬅️ ⬅️ ⬅️
Referentin: Johanna Weiers
https://mandanten-autopilot.de
Vortragsfolien zum Vortrag "Scrum in cool" auf der SEACON 2019 in Hamburg.
In den Anfängen der agilen Bewegung waren Teammitglieder regelmäßig begeistert: "Wir haben den geilsten Job der Welt." Bei Kunden und Stakeholdern war es ähnlich: "Wir haben das geilste Team der Welt."
Dieses Bild hat sich deutlich gewandelt. Heute hören wir immer häufiger "immerhin ist es nicht mehr so schlimm wie früher".
Nach unserer Beobachtung liegt das ganz wesentlich daran, dass Scrum mit zuviel Zugeständnissen an existierende Denkweisen und zu wenig mutig verwendet wird.
Der Vortrag öffnet Perspektiven, wie Scrum abseits des Mainstreams verwendet werden kann. Dann entsteht cooles Scrum und die Chance auf Begeisterung steigt deutlich.
Die Kraft des Internets - Warum Transparenz und eine kundenzentrierte Innova...Daniel Bartel
Einleitung
"Eröffnen wollen wir die Veranstaltung mit einem Thema, das unsere Branche nachhaltig bewegt und beeinflusst: die rapide voran-schreitende Digitalisierung und die große Bedeutung der Customer Experience, die momentan zu disruptiven Innovationen führen.
ALLES WAS DIGITALISIERT WERDEN KANN, WIRD DIGITALISIERT!
Daniel Bartel, selbst Teil der so betitelten Generation Y, wird in seiner Keynote einen Blick auf den Kunden von morgen und seine Anforderungen an die Dienstleister werfen. Im weiteren Verlauf unseres Treffens lassen wir wie gewohnt unsere Kunden und Partner zu Wort kommen, die Ihre Erfahrungen mit Ihnen teilen. Zudem erfahren Sie alles über unsere aktuellen Produktentwicklungen."
Keynote
icon Anwendertreffen; 11.5.2016
Daniel Bartel
Innovation – Vor der Idee steht die richtige FragestellungMe & Company GmbH
Um auf die richtigen Ideen zu kommen, ist es wichtig den Nutzer und die zugrunde liegenden Probleme zu verstehen. Die richtigen Fragestellungen helfen dabei dieses Verständnis zu schaffen. In unserem Vortrag zeigen wir verschiedene Fragetechniken auf, die wir im Design Thinking anwenden.
Vortrag von Axel Hermes (@raxlerik) auf dem CX Meetup DUS am 6. Dezember 2017.
Wir haben kürzlich eine Vorabversion des SwissQ Culture Desk publiziert. Ursprünglich ein internes Dokument von SwissQ, welches über einen längeren Zeitraum entstanden ist, teilen wir dieses nun mit der Community.
Lean Startup - Auch in erwachsenen Unternehmen?Stefan ROOCK
Der Vortrag zeigt nach einer kurzen Einführung in Lean-Startup, welche Probleme bei der Anwendung in "erwachsenen" Unternehmen auftreten und stellt drei Lösungsansätze vor, wie man Lean-Startup trotzdem erfolgreich in erwachsenen Unternehmen anwenden kann.
Warum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AIOPEN KNOWLEDGE GmbH
Häufig stellt die Entwicklung einer ML-Lösung die Optimierung von Performanz-Metriken wie der "Accuracy" unter Verwendung sehr komplexer Modelle in den Fokus. Fälschlicherweise wird sich damit abgefunden, dass aufgrund der höheren Komplexität die Explainability, also die Frage nach dem "Warum verhält sich mein Modell so und nicht anders?" leiden muss. Die Folgen können schwerwiegend sein und reichen vom unwissentlich gelernten Bias aus tabellarischen Daten bis zu einer hohen Anfälligkeit gegenüber Adversarial-Attacks in Bilddaten des autonomen Fahrens.
Warum meiner Meinung nach die Explainability auch bei komplexen Modellen nicht leiden muss, möchte ich in diesem Vortrag verdeutlichen.
Hierfür werde ich verschiedene XAI-Methoden, wie z.B. die Permutation-Importance und LIME, anhand eines konkreten Anwendungsfalles vorstellen, bewerten und vergleichen. Mein Ziel ist es, für XAI zu sensibilisieren und euch einen Methoden-Kasten an die Hand zu geben, der dazu befähigt, den Blick in die Black-Box zu wagen.
From Zero to still Zero: Die schönsten Fehler auf dem Weg in die CloudOPEN KNOWLEDGE GmbH
Cloud is the new normal”, so Andrew R. Jassy (CIO AWS). Was also liegt näher, als genau jetzt den Schritt in die Cloud zu wagen? Denn schließlich wollen wir ja alle irgendwie ein klein wenig „normal“ sein. Aber ist dieser Schritt wirklich so einfach, wie uns die verschiedenen Cloudanbieter glauben machen? Lässt sich eine klassische Enterprise-Architektur einfach so in die Cloud überführen oder bedarf es neuer, cloudspezifischer Architekturmuster? Was unterscheidet dabei die verschiedenen As-a-Service-Varianten (IaaS, PaaS, BaaS und FaaS) voneinander und für welchen Anwendungsfall nimmt man was? Fragen über Fragen – aber keine Panik, der Talk liefert Antworten.
More Related Content
Similar to Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfolgreichen Einstieg in die Welt der KI.
Es gibt ein paar Veränderungen in unserer Arbeitswelt, die sollten wir im Recruiting unbedingt auf dem Schirm haben.
Meine 7 Thesen:
- Die Gesetze der Industrialisierung stimmen nicht mehr
- Unsere Personalauswahl braucht ein neues Fundament
- Wir müssen von der Ressource zum Menschen
- KI unterstützt, aber wird nie den Menschen ersetzen
- Hiring Manager werden der Schlüssel zum Recruiting
- Offline Netzwerk und Personal Branding nehmen an Bedeutung zu
- Nur ein respektierter Recruiter (m/w) ist ein guter Recruiter
Semantik knackt Big Data:
Der Großteil der Personaldaten besteht überwiegend aus Worten, nicht aus Zahlen, und nur semantische Technologien können diese riesigen Datenmengen effizient strukturieren
Kaum ein Begriff ist in den letzten Jahren in der Softwareentwicklung so überstrapaziert worden wie der des MVP. Das Minimum Viable Product ist mal Heilsbringer mal Fluch und wird allzu gerne instrumentalisiert um für und wieder alles Mögliche zu argumentieren. Da wird ebenso leichtfertig technische Schuld auf sich genommen wie nur halbherzig getestet - "Ist ja erst mal nur ein MVP". - Folien zu meiner Keynote auf der Modern RE
Ein kurzer Rundumschlag zum Thema Agiles Anforderungsmanagement. Aufgrund der Größe der Themas kann dieser Vortrag ruhigen Gewissens als "quick & dirty" bezeichnet werden.
Mittelstand trifft künstliche Intelligenz - Point of ViewWeissmanGruppe
Künstliche Intelligenz stellt neben Blockchain, Augmented Reality, Big Data und zahlreichen anderen Themenfelder ein aktuelles Trendmedium dar. Durch die kontinuierliche, technische Weiterentwicklung und zahlreiche Innovationen in diesem Feld wird der Einsatz von künstlicher Intelligenz auch für den deutschen Mittelstand immer interessanter. Die grundlegende Funktionsweise wird, ebenso wie mögliche Anwendungen in diesem Point of View zusammenfassend dargestellt.
Recrutainment - Spielerische Ansätze in Personalmarketing und -auswahlJoachim Diercks
Recrutainment bezeichnet den Einsatz spielerisch-simulativer Elemente in Berufsorientierung, Employer Branding, Personalmarketing und Recruiting.
Recrutainment dient der Verbesserung des Zusammenfindens von „passendem“ Kandidat und „passendem“ Arbeitgeber bzw. „passender“ Ausbildungseinrichtung.
Unterhaltung ist im Recrutainment kein Selbstzweck. Wichtig ist immer der konkrete Bezug zu einem Arbeitgeber, einer Ausbildungseinrichtung, Berufen/Berufsbildern oder Berufs- und Bildungswegen.
Unter Recrutainment fallen SelfAssessment Verfahren wie Selbsttests und Berufsorientierungsspiele, Events mit Interaktionselementen und Auswahlverfahren und –tests („Assessment“) mit Unterhaltungs-, Informations- und/oder Simulationscharakter. Online und Offline.
Zwischen Himmel und Hölle - UX in Zeiten von KIChristian Graf
Von heutiger, anwendungsbezogener (oder "schwacher") KI getroffene Entscheidungen sind ihrem Wesen nach komplex und nicht immer direkt nachvollziehbar. Als Folge können Produkte, die maschinelles Lernen oder KI einsetzen, intransparent oder willkürlich wirken und überfordern viele Nutzer. Die Entwicklung von KI-basierten Systemen erfordert daher eine besondere Aufmerksamkeit, ggf. eine veränderte Herangehensweise und ein erweitertes Skillset beim UX-Design. Wir zeigen Beispiele auf, helfen beim Verständnis der neuen Herausforderungen und wollen Wege sie zu bewältigen diskutieren.
Von der bloßen Idee bis zum ersten Kunden - Digital Marketing im Kontext der ...Jean Maurice Port
Präsentation vom 17.11.2016, drittes Semester Marketing am Umwelt Campus Birkenfeld. Kurs von Prof. Dr. Thorsten Schaper. Hat unheimlich viel Spaß gemacht & war hoffentlich auch für die Teilnehmer aufschluss- und lehrreich. Die Kannkind Akademie ist nach dem durchweg positiven Feedback beschlossene Sache & wird demnächst starten. Erste Schritte und weitere Informationen gibt es beizeiten per Mailverteiler!
LG,
Jean Maurice Port
Kanzleimarketing 2023 - 7 unschlagbare SEO Strategien für Ihre KanzleiJohanna Weiers
🔴 Kanzleimarketing 2023 - 7 unschlagbare SEO Strategien für mehr Sichtbarkeit, mehr Mandanten und mehr Umsatz
Ihre Kanzlei Homepage wird bei Google nicht gelistet oder rankt auf den hinteren Suchergebnisseiten? Oder suchen Sie nach neuen Ideen für Ihren Blog?
Ein Beispiel in Zahlen ausgedrückt
Status quo: Sie ranken mit Ihrer Website für das Keyword “Arbeitsrecht Anwalt Köln” auf Position 14, also auf der zweiten Suchergebnisseite. Über diese Seite erhalten Sie aktuell monatlich 140 Klicks/Seitenaufrufe. Von diesen Interessenten ruft jeder 10 an, also 14 Anrufe, von denen etwas ein Drittel zu Mandanten werden.
Nachdem Sie Ihre Website-Keywords und Texte überarbeitet haben, rankt Ihre Seite auf Platz 5. Nun erhalten Sie monatlich 900 Klicks/Seitenaufrufe, 90 Anrufe, 30 neue Mandate. Wie klingt das?
Wir nehmen Sie mit auf eine Reise durch den SEO-Dschungel. Eine fundierte Keyword-Recherche hilft Ihnen, zu verstehen, was Interessenten suchen. Darüber hinaus trägt sie zu einem tieferen Verständnis über die Themen Ihrer Zielgruppe und der Customer Journey bei. Lernen Sie, die Sprache Ihrer Mandanten kennen, indem Sie verstehen, wonach sie suchen und wie sie sich im Internet bewegen. Damit Sie in Zukunft Ihren Mandanten und Interessenten relevantere Inhalte zur Verfügung stellen können.
➡️ ➡️ ➡️ Wir zeigen Ihnen 7 unschlagbare SEO-Strategien, mit denen Sie 2023 durchstarten können. Lernen Sie einige handfeste Tricks und kostenlose Tools kennen.⬅️ ⬅️ ⬅️
Referentin: Johanna Weiers
https://mandanten-autopilot.de
Vortragsfolien zum Vortrag "Scrum in cool" auf der SEACON 2019 in Hamburg.
In den Anfängen der agilen Bewegung waren Teammitglieder regelmäßig begeistert: "Wir haben den geilsten Job der Welt." Bei Kunden und Stakeholdern war es ähnlich: "Wir haben das geilste Team der Welt."
Dieses Bild hat sich deutlich gewandelt. Heute hören wir immer häufiger "immerhin ist es nicht mehr so schlimm wie früher".
Nach unserer Beobachtung liegt das ganz wesentlich daran, dass Scrum mit zuviel Zugeständnissen an existierende Denkweisen und zu wenig mutig verwendet wird.
Der Vortrag öffnet Perspektiven, wie Scrum abseits des Mainstreams verwendet werden kann. Dann entsteht cooles Scrum und die Chance auf Begeisterung steigt deutlich.
Die Kraft des Internets - Warum Transparenz und eine kundenzentrierte Innova...Daniel Bartel
Einleitung
"Eröffnen wollen wir die Veranstaltung mit einem Thema, das unsere Branche nachhaltig bewegt und beeinflusst: die rapide voran-schreitende Digitalisierung und die große Bedeutung der Customer Experience, die momentan zu disruptiven Innovationen führen.
ALLES WAS DIGITALISIERT WERDEN KANN, WIRD DIGITALISIERT!
Daniel Bartel, selbst Teil der so betitelten Generation Y, wird in seiner Keynote einen Blick auf den Kunden von morgen und seine Anforderungen an die Dienstleister werfen. Im weiteren Verlauf unseres Treffens lassen wir wie gewohnt unsere Kunden und Partner zu Wort kommen, die Ihre Erfahrungen mit Ihnen teilen. Zudem erfahren Sie alles über unsere aktuellen Produktentwicklungen."
Keynote
icon Anwendertreffen; 11.5.2016
Daniel Bartel
Innovation – Vor der Idee steht die richtige FragestellungMe & Company GmbH
Um auf die richtigen Ideen zu kommen, ist es wichtig den Nutzer und die zugrunde liegenden Probleme zu verstehen. Die richtigen Fragestellungen helfen dabei dieses Verständnis zu schaffen. In unserem Vortrag zeigen wir verschiedene Fragetechniken auf, die wir im Design Thinking anwenden.
Vortrag von Axel Hermes (@raxlerik) auf dem CX Meetup DUS am 6. Dezember 2017.
Wir haben kürzlich eine Vorabversion des SwissQ Culture Desk publiziert. Ursprünglich ein internes Dokument von SwissQ, welches über einen längeren Zeitraum entstanden ist, teilen wir dieses nun mit der Community.
Lean Startup - Auch in erwachsenen Unternehmen?Stefan ROOCK
Der Vortrag zeigt nach einer kurzen Einführung in Lean-Startup, welche Probleme bei der Anwendung in "erwachsenen" Unternehmen auftreten und stellt drei Lösungsansätze vor, wie man Lean-Startup trotzdem erfolgreich in erwachsenen Unternehmen anwenden kann.
Similar to Machine Learning? Ja gerne! Aber was und wie? Eine Kurzanleitung für den erfolgreichen Einstieg in die Welt der KI. (20)
Warum der Computer "Nein" sagt - Mehr Nachvollziehbarkeit dank Explainable AIOPEN KNOWLEDGE GmbH
Häufig stellt die Entwicklung einer ML-Lösung die Optimierung von Performanz-Metriken wie der "Accuracy" unter Verwendung sehr komplexer Modelle in den Fokus. Fälschlicherweise wird sich damit abgefunden, dass aufgrund der höheren Komplexität die Explainability, also die Frage nach dem "Warum verhält sich mein Modell so und nicht anders?" leiden muss. Die Folgen können schwerwiegend sein und reichen vom unwissentlich gelernten Bias aus tabellarischen Daten bis zu einer hohen Anfälligkeit gegenüber Adversarial-Attacks in Bilddaten des autonomen Fahrens.
Warum meiner Meinung nach die Explainability auch bei komplexen Modellen nicht leiden muss, möchte ich in diesem Vortrag verdeutlichen.
Hierfür werde ich verschiedene XAI-Methoden, wie z.B. die Permutation-Importance und LIME, anhand eines konkreten Anwendungsfalles vorstellen, bewerten und vergleichen. Mein Ziel ist es, für XAI zu sensibilisieren und euch einen Methoden-Kasten an die Hand zu geben, der dazu befähigt, den Blick in die Black-Box zu wagen.
From Zero to still Zero: Die schönsten Fehler auf dem Weg in die CloudOPEN KNOWLEDGE GmbH
Cloud is the new normal”, so Andrew R. Jassy (CIO AWS). Was also liegt näher, als genau jetzt den Schritt in die Cloud zu wagen? Denn schließlich wollen wir ja alle irgendwie ein klein wenig „normal“ sein. Aber ist dieser Schritt wirklich so einfach, wie uns die verschiedenen Cloudanbieter glauben machen? Lässt sich eine klassische Enterprise-Architektur einfach so in die Cloud überführen oder bedarf es neuer, cloudspezifischer Architekturmuster? Was unterscheidet dabei die verschiedenen As-a-Service-Varianten (IaaS, PaaS, BaaS und FaaS) voneinander und für welchen Anwendungsfall nimmt man was? Fragen über Fragen – aber keine Panik, der Talk liefert Antworten.
SPAGAT ZWISCHEN BIAS UND FAIRNESS
KI soll fair sein. Da sind wir uns alle einig. Entsprechend gilt es, eine „Voreingenommenheit“ der eigenen KI-Lösung zu vermeiden.
Leichter gesagt als getan, denn Bias kann sich an verschiedenen Stellen innerhalb des AI/ML-Lifecycles einschleichen – vom initialen Design bis hin zum produktiven Einsatz des Modells. Diese Stellen gilt es zu identifizieren und im Detail zu verstehen. Denn nicht jede Art von Voreingenommenheit ist automatisch auch böse bzw. unfair.
Die Session zeigt, wie potenzielles Auftreten von unerwünschtem Bias in der eigenen KI-Lösung aufgedeckt und vermieden werden kann.
FEHLENDE DATEN? (K)EIN PROBLEM!: Die Kunst der Data ImputationOPEN KNOWLEDGE GmbH
Leider sind die in der Praxis zur Verfügung stehenden Daten für das Training von Modellen bei weitem nicht so gut und vollständig, wie in den Lehrbüchern. Was also tun? Unvollständige Datensätze ignorieren und damit die zum Training notwendigen Daten deutlich reduzieren? Oder die Lücken besser mit sinnvollen Näherungswerten auffüllen.
Die Session zeigt, ob und wann es sinnvoll ist, fehlende Datensätze aufzufüllen und demonstriert an Real-Life Szenarien verschiedene Verfahren zur sinnvollen Ergänzung fehlender Daten. Neben einfachen Verfahren wie Mean/Median, Random Sample, Mulitple Imputation oder der Interpolationen zeitbezogenen Werte werden auch ML-basierte Imputation-Verfahren wie Regression oder Classification sowie deren potenzielle Einsatzgebiete beleuchtet. Dass fehlende Datensätze im Training auch einen positiven Effekt auf die Qualität des resultierenden Modells haben können, wird ebenfalls gezeigt.
In der Vergangenheit mussten Log-Files von Produktiv-Systemen mühsam von Hand zusammengesucht und danach durchforstet werden. Mit dem Aufkommen von Microservices gibt es jedoch immer mehr Tools, die die Aggregation und das Durchsuchen von Log-Informationen automatisieren. Den Anfang hat der ELK-Stack gemacht. Verteilte Systeme liefern jedoch heutzutage viel mehr relevante und besser aufbereitete Informationen als in den Log-Files zu finden sind. In einigen Situationen sind die in den Log-Files gefundenen Informationen unzureichend oder müssen mühsam extrahiert werden. Aus diesem Grund ist es naheliegend, die benötigten Informationen direkt in einem geeigneten Format bereitzustellen. Heutige Standards wie OpenTelemetry ermöglichen es, Informationen in dem benötigten Format zu sammeln. Werden Log-Files dadurch überflüssig? Die Session regt einen Mindset-Change an, stellt die Herausforderungen vor, die mit den verschiedenen Toolings bewältigt werden können, und erklärt, unter welchen Voraussetzungen auf Logging komplett verzichtet werden kann.
Auch nach mehr als 20 Jahren ist Jakarta EE (ehemals Java EE) DER Standard, wenn es um die Entwicklung Java-basierter Enterprise-Computing-Lösungen geht. Das gilt zumindest immer dann, wenn die Anwendung als Monolith in einem Application-Server deployt werden soll. Wie aber steht es mit einer Anwendung, die aus einer Vielzahl autark laufender Microservices besteht? Und wie gut schlägt sich Jakarta EE in der Cloud, in der geringer Speicherbedarf und schnelle Startzeiten gefragt sind? Die Session zeigt, wie es Jakarta EE geschafft hat, mit der Zeit zu gehen und so mit Hilfe von Nebenprojekten wie Eclipse MicroProfile den Anforderungen moderner Cloud-Native-Anwendungen gerecht zu werden. Ein Ausblick das Zusammenspiel mit GraalVM und Quarkus zeigt, das Jakarta EE dabei auch in extrem verteilten Cloud-Szenarien, aka Serverless, eine gute Figur macht.
From Zero to still Zero: The most beautiful mistakes going into the cloud. OPEN KNOWLEDGE GmbH
"Cloud is the new Normal”, so Andrew R. Jassy (CIO AWS). Was also liegt näher, als genau jetzt den Schritt in die Cloud zu wagen? Passende Blaupausen dazu gibt es mehr als genug. Aber ist dieser Schritt wirklich so einfach, wie uns die verschiedenen Cloud-Anbieter glauben machen wollen? Natürlich nicht. Diese Session zeigt anhand typischer Antipattern, wie der Weg in die Cloud garantiert im Desaster endet und wie man sich dagegen wappnen kann. Ähnlichkeiten zu existierenden Projekten sind rein zufällig – oder auch nicht.
API Expand Contract ist ein Pattern zur Weiterentwicklung von APIs. Aber was verbirgt sich hinter der Idee? Wie kann ich damit eine API weiterentwickeln, ohne dass Client und/oder Server im Wartungsaufwand alter Schnittstellen(-Versionen) ersticken?
In der Realität erweist sich Management von APIs und deren Versionen als gar nicht so einfach. Diese Session zeigt mögliche Wege und Alternativen, um der Versionierungshölle zu entkommen und dabei das oberste Gebot beim API-Design - nämlich „Don’t break the Client“ - jederzeit einzuhalten.
Ready for the Future: Jakarta EE in Zeiten von Cloud Native & CoOPEN KNOWLEDGE GmbH
Auch nach mehr als 20 Jahren ist Jakarta EE (ehemals Java EE) DER Standard, wenn es um die Entwicklung Java-basierte Enterprise Computing Lösungen geht. Dies gilt zumindest immer dann, wenn die Anwendung als Monolithen in einem Application Server deployed werden soll. Wie aber steht es mit einer Anwendung, die aus einer Vielzahl autark laufender Microservices besteht? Und wie gut schlägt sich Jakarta EE in der Cloud, in der geringer Speicherbedarf und schnelle Startzeiten gefragt sind? Die Session zeigt, wie es Jakarta EE geschafft hat, mit der Zeit zu gehen und so, mit Hilfe von Side-Projekten wie dem Eclipse MicroProfile, den Anforderungen moderner Cloud Native Anwendungen gerecht zu werden.
Ein Ausblick das Zusammenspiel mit GraalVM und Quarkus zeigt, das Jakarta EE dabei auch in extrem verteilten Cloud-Szenarien aka Serverless, eine gute Figur macht.
Eine auf Microservices basierende Architektur umzusetzen, bedeutet, dass auch die Datenhaltung auf die verschiedenen Services verteilt werden muss. Was aber bedeutet das in der Praxis? Was ist, wenn Daten einer Entität - vollständig oder in Teilen - in mehreren Services benötigt werden? Wie wird referenzielle Integrität über mehrere Services hinweg realisiert? Wie lassen sich serviceübergreifende Transaktionen realisieren? Dies sind nur einige von vielen Fragen, die im Rahmen der Session beantwortet werden. So viel vorab: Umdenken ist gefragt!
Nur wenn die Auftrennung der Fachlichkeit in verschiedenen Microservices auch konsequent bis hin zur Ebene der Datenhaltung vollzogen wird, kann die angestrebte Unabhängigkeit der Services zur Entwicklungs- und Laufzeit erreicht werden. Ohne diesen Schritt dagegen würde sich das Problem der starren Kopplung und der damit einhergehenden Abhängigkeiten einer monolithischen Architektur lediglich um eine Schicht nach unten, in die Datenbank, verlagern. Was aber bedeutet das konsequente Einhalten des Database-per-Service-Patterns und einer damit einhergehenden Verteilung der Datenhaltung in der Praxis? Die Session zeigt die wesentlichen Herausforderungen auf und liefert passende Lösungsansätze.
Machine Learning ist eine Art von Software-Entwicklung, bei der man nicht direkt Code schreibt, sondern ein Modell anhand von Daten trainiert. Das kann in Situationen von Vorteil sein, in denen man keinen passenden Code schreiben kann oder dieser extrem komplex werden würde. TensorFlow ist das bekannteste Framework im Bereich Neuronaler Netzwerke mit dem man solche Modell erzeugen und nutzen kann. TensorFlow.js (https://js.tensorflow.org/api/latest/) implementiert die volle API von TensorFlow mit JavaScript und erlaubt sowohl die Ausführung, als auch das Training von Neuronalen Netzwerken auf jeder GPU.
Im ersten Teil des Workshops werden wir ein Modell zur Bilderkennung in einer grafischen Webanwendung trainieren und in einer eigenen Anwendung zum Laufen bringen. Hier geht es um die Grundlagen von Machine Learning und den Teil der TensorFlow.js API zum Ausführen eines Modells.
Im zweiten Teil werden wir ein eigenes Modell mit der TensorFlow.js API trainieren und als Teil einer JS-Anwendung integrieren.
Es sind keine Vorkenntnisse nötig und zur Teilnahme wird lediglich eine beliebige IDE zur Entwicklung von JavaScript benötigt.
KI und insbesondere Deep Learning sind der Megatrend. Dank leistungsstarker Frameworks sind erste Schritte schnell gemacht. Leider stößt man aber genauso schnell auch wieder an (seine) Grenzen. Passt das genutzte Modell überhaupt zu meinem Problem? Wie sind die gewonnenen Ergebnisse zu bewerten? Kann durch geschickte Veränderung von Modell-Parametern das Ergebnis weiter verbessert werden? In der Session werden wir unser eigenes Neuronales Netz von Grund auf aufbauen und Schritt für Schritt verbessern. Aber keine Angst: „it’s not rocket science“!
Eine auf Microservices basierende Architektur umzusetzen, bedeutet, dass auch die Datenhaltung auf die verschiedenen Services verteilt werden muss. Was aber bedeutet das in der Praxis? Was ist, wenn Daten einer Entität - vollständig oder in Teilen - in mehreren Services benötigt werden? Wie wird referenzielle Integrität über mehrere Services hinweg realisiert? Wie lassen sich serviceübergreifende Transaktionen realisieren? Dies sind nur einige von vielen Fragen, die im Rahmen der Session beantwortet werden. So viel vorab: Umdenken ist gefragt!
Jeder Service für sich kann unabhängig deployed und skaliert werden.
Gerade Cloud Computing erleichtert in vielen Unternehmen die Verwaltung der IT-Infrastruktur. Weil die für die Software benötigte Plattformen so einfach anzumieten sind, werden Developer deshalb immer mehr in die Rolle des DevOps gedrängt -- die Software, die sie entwickeln, soll auch selbst betrieben werden -- You build it, you run it.
Doch diese Strukturierung ist nicht ganz kostenlos - Developer müssen dadurch immer mehr Verantwortung übernehmen. Um dieser Verantwortung gerecht zu werden, muss eine Schwachstelle ausgeschaltet werden: der Mensch. Im Talk gehe ich auf Prozesse der klassischen Softwareentwicklung ein und lege dar, wie diese in dem “You build it, you run it”-Modell verbessert werden.
In modernen Software-Landschaften werden die Fachlichkeiten mit Hilfe von DDD sauber voneinander abgegrenzt und als eigenständige Services umgesetzt.
Was muss in der Entwicklung eines solchen Services beachtet werden, um diese Eigenständigkeit zu gewährleisten und gleichzeitig sicherzustellen, dass alle Services gemeinsam als ein großes Ganzes funktionieren?
Service-Konsumenten sollen Schnittstellen nach Möglichkeit nutzen können, ohne Aufwand beim Anbieter der Schnittstelle zu verursachen. Das Ziel ist es, Features schnell und unabhängig umsetzen zu können.
In dem Vortrag wird vorgestellt, wie man eine hohe Nutzerzufriedenheit durch Consumer-Centric API Design und regelmäßige Produktiv-Deployments erzielt.
Möglich wird das durch ein sauberes API-Design, eine schlanke Microarchitektur und eine hohe Testautomatisierung. An praktischen Beispielen wird gezeigt, wie das erreicht werden kann.
Java scheint mit seinem Memory- und Runtime-Overhead in Zeiten von Cloud-native und Serverless nicht wirklich gut für die Zukunft gerüstet. Erschwerend kommt hinzu, dass viele auf Java basierende Frameworks mit Annotation Scanning, Aufbau von Proxies und Caches das Start- und Speicherverhalten weiter negativ beeinflussen. Bedeutet das das Aus für Java in der Wunderwelt der Cloud? Mitnichten! Projekte wie Quarkus versuchen, Java in der Cloud zur Numero Uno werden zu lassen. Und das auf beeindruckende Art und Weise. Die Session zeigt anhand praktischer Beispiele, was heute bereits möglich ist.
Man gewinnt den Eindruck, Microservices seien die Universallösung für all unsere (Architektur-)Probleme. Dabei sind Microservices lediglich Mittel zum Zweck. Was also, wenn meine Probleme nicht zur Lösung „Microservices“ passen? Ist es nach wir vor legitim, einen Monolithen zu bauen? Oder gibt es andere Architekturansätze, mit denen sich Monolithen aufbrechen lassen? In der Session werfen wir einen kritischen Blick auf Microservices und beleuchten – immer ausgehend von bestehenden Problemfeldern – eine Reihe alternativer Architekturen.
Das ist doch alles nur Frontend - Wer braucht da schon Architektur?OPEN KNOWLEDGE GmbH
Single-Page-Applications -ursprünglich als kleines fancy Frontend gestartet- sind in den letzten Jahren zu großen, schwergewichtigen eigenen Applikationen angewachsen, die fehleranfällig, schwer wartbar und langsam in der Weiterentwicklung sind. Aber woran liegt das eigentlich? Im Frontend gibt es als Abstraktion zumeist nur das Konzept der Komponenten. Eine tiefergehende Analyse der benötigten Bausteine bleibt in der Regel aus. Im Backend hingegen, erfolgen solche Analysen seit Jahren.
Aber lassen sich die Backend-Architektur-Konzepte ohne weiteres für das Frontend übernehmen? Was sind die Herausforderungen, in denen sich moderne Frontends von klassischen Backends unterscheiden? Wo braucht man daher andere Lösungen? Neben der Problemanalyse gibt dieser Talk konkrete Bausteine an die Hand.
Auf geht‘s in die Cloud: „Das kann doch nicht so schwer sein!“OPEN KNOWLEDGE GmbH
„Cloud is the new Normal”, so Andrew R. Jassy (CIO AWS). Was also liegt näher, als genau jetzt den Schritt in die Cloud zu wagen? Denn schließlich wollen wir ja alle irgendwie ein klein wenig „normal“ sein. Aber ist dieser Schritt wirklich so einfach, wie uns die verschiedenen Cloudanbieter glauben machen? Lässt sich eine klassische Enterprise-Architektur einfach so in die Cloud überführen oder bedarf es neuer Cloud-spezifischer Architekturmuster? Wie kann uns das Cloud Maturity Model dabei helfen? Und was steckt eigentlich hinter Akronymen wie IaaS, PaaS, BaaS, SaaS und FaaS?
Im Rahmen des Worskhops werde ich eine klassische Enterprise Anwendung Schritt für Schritt in die Cloud migrieren und dabei die verschiedenen Stufen / Reifegrade des Cloud Maturity Models durchlaufen. Angefangen bei "Lift & Shift" bis hin zu "Cloud Native" und "Cloud Voodoo – aka Serverless".
Das Product Goal oder "Ohne Ziele laufen eben alle in die Richtung, die ihnen...OPEN KNOWLEDGE GmbH
Der Scrum Guide von 2020 führt das Konzept eines Product Goals ein, um das Scrum Team auf ein größeres, wertvolles Ziel auszurichten. Jeder Sprint sollte das Produkt näher an das übergeordnete Product Goal heranbringen. Aber wie erstelle ich überhaupt ein Product Goal? Was sind Merkmale von einem guten Produkt Goal? Und was ist der Unterschied zu einer Produkt Vision? Brauche ich eigentlich beides oder reicht eins von beiden? Auf diese und weitere Fragen gehe ich in meinem Vortrag ein.
4. „Artificial Intelligence is a system’s ability
to correctly interpret external data,
to learn from such data, and to use those
learnings to achieve specific goals and tasks
through flexible adaptation.“
(Andreas Kaplan & Michael Haenlein, 2018)
6. künstliche Intelligenz
starke
KI
schwache KI
Machine
Learning
echte Nachbildung des
menschlichen Bewusstseins
(bis heute nicht existent)
Teilgebiet der künstlichen
Intelligenz: lernt mittels
statistischer Methoden
und kann sich anhand von
Erfahrungen verbessern
Maschine, die
menschliches
Verhalten (teilweise)
imitiert
7. Teilgebiet des Machine
Learnings: bedient sich
mehrschichtiger neuronaler
Netze zum Lernen/Entscheiden
künstliche Intelligenz
starke
KI
schwache KI
Machine
Learning
echte Nachbildung des
menschlichen Bewusstseins
(bis heute nicht existent)
Teilgebiet der künstlichen
Intelligenz: lernt mittels
statistischer Methoden
und kann sich anhand von
Erfahrungen verbessern
Maschine, die
menschliches
Verhalten (teilweise)
imitiert
Deep
Learning
13. Source Fortune Magazine.: https://fortune.com/2022/07/26/a-i-success-business-sense-aible-sengupta/
„Failure rate
of AI projects
has been between
83% to 92%.“
21. ML Project Lifecycle
Ideation
DAYs WEEKs MONTHs
well-founded
Proof of Concept
viable
Product
AI validated
Use-Case(s)
initial
Idea(s)
42
Design
Thinking
Lean
Startup
Agile
Development
Professionalization
Exploration
Pain Point
Pain Point
Pain Point
Pain Point
22. ML Project Lifecycle
Ideation
DAYs WEEKs MONTHs
well-founded
Proof of Concept
viable
Product
AI validated
Use-Case(s)
initial
Idea(s)
42
Design
Thinking
Lean
Startup
Agile
Development
Professionalization
Exploration
Pain Point
Pain Point
Pain Point
Pain Point
23. ML Project Lifecycle
Ideation
DAYs WEEKs MONTHs
Design
Thinking
Lean
Startup
Agile
Development
Professionalization
Exploration
Pain Point
Pain Point
Pain Point
Pain Point 42
24. 1 3 5
2 4 6
Business
Understanding
Data
Understanding
Data
Preparation
Analysis &
Modeling
QA &
Validation
Deployment &
Operation
*in Anlehnung an „CRISP-DM“: CRoss Industry Standard Process for Data Mining
ML for
Production
25. 1 3 5
2 4 6
Business
Understanding
Data
Understanding
Data
Preparation
Analysis &
Modeling
QA &
Validation
Deployment &
Operation
ML for
Production
*in Anlehnung an „CRISP-DM“: CRoss Industry Standard Process for Data Mining
27. „Wir wollen
mit AI unser
Geschäft
verbessern!“
CEO, mySuperMarket
ML for Production am Beispiel …
28. SALES FORECAST
Auf Basis historischer Daten aus mehreren Filialen einer
Supermarktkette sollen Verkaufszahlen für die Zukunft
vorhergesagt werden.
ML for Production am Beispiel …
30. „Was war noch mal
die konkrete Frage?“
Ideation & Zielbestimmung
31. Business Understanding
am Beispiel
AI Ideation - SALES FORECAST
„Häufig ist zu viel oder zu wenig Ware auf dem Lager.“
„Verderbliche Ware wird abends weggeschmissen.“
„Marketingkampagnen sind nicht effektiv (genug).“
„Umsatz ist ok, aber nicht wirklich planbar.“
…
33. WORKSHOP PHASE 1
Opportunity Areas
identified
HMW …
die Verkaufsplanung
auf Produktebene
optimieren?
HMW …
immer ausreichen
Personal im Markt
präsent haben?
AI Ideation Verkaufsoptimierung
34. WORKSHOP PHASE 2
Opportunity Areas
identified
HMW …
die Verkaufsplanung
auf Produktebene
optimieren?
HMW …
abends Restbestände
an die Käufer:innen
bringen?
Goal & Blocker
identified
In 12 Monaten werden wir …
von allen TOP 100 Produkten
immer hinreichend viele im Markt
und auf Lager haben OHNE
kostspieligen Überschuss.
Können wir …
Vorhersagen auf
Produktebene
treffen?
Können wir …
Kosten/Nutzen
für die Lagerung
berechnen?
AI Ideation Verkaufsoptimierung
35. WORKSHOP PHASE 3
Opportunity Areas
identified
Goal & Blocker
identified
Key Ideas
to explore
HMW …
die Verkaufsplanung
auf Produktebene
optimieren?
In 12 Monaten werden wir …
von allen TOP 100 Produkten
immer hinreichend viele im Markt
und auf Lager haben OHNE
kostspieligen Überschuss.
Können wir …
Vorhersagen auf
Produktebene
treffen?
Können wir …
Kosten/Nutzen
für die Lagerung
berechnen?
Key Idea von StockMag
Optimierung des Lagerbestands
auf der Basis historischer
Lagerbewegungen.
Key Idea von SaleUp
Adaptive Plattform für Verkaufs-
prognosen, die aus dem Feedback
der Manager lernt.
HMW …
immer ausreichen
Personal im Markt
präsent haben?
AI Ideation Verkaufsoptimierung
36. AI Ideation
WORKSHOP ERGEBNISSE
Was haben wir gemeinsam erarbeitet / erreicht?
• Liste identifizierter Chancen und potenzieller Lösungen
• gemeinsam definiertes Ziel, das es via KI zu erreichen gilt
• potentielle Blocker, die im Vorfeld ausgeräumt werden sollten
EINHEITLICHES VERSTÄNDNIS & GEMEINSAME AUSRICHTUNG
37. 00. HOW MIGHT WE …
summarize your „how might we“ statement here
01. CONCEPT NAME
provide a name tha encapsulates the essence of your idea
04. VISUALIZE
narrate a story from the point of view of key stakeholder
05. GUT CHECK
jot down your initial thoughts and rank the potential of your idea (low to high)
02. BENEFIT
what unmet need or want are we answering
03. WHO …?
… and for which user
VALUE CREATION
TARGET GROUP
CONTEXT
MEANS
What value do you want to create?
For whom …?
Where and when…?
How, with what?
What is it …?
describe your idea in detail – keep it clear and concise
NOTES … define the initial reaction / critique?
VALUE TO END-USER
SCALE & GROTH POTENTIAL
INNOVATION & CREATIVITY
low high
38. 00. HOW MIGHT WE …
summarize your „how might we“ statement here
01. CONCEPT NAME
provide a name tha encapsulates the essence of your idea
04. VISUALIZE
narrate a story from the point of view of key stakeholder
05. GUT CHECK
jot down your initial thoughts and rank the potential of your idea (low to high)
02. BENEFIT
what unmet need or want are we answering
03. WHO …?
… and for which user
VALUE CREATION
TARGET GROUP
CONTEXT
MEANS
What value do you want to create?
For whom …?
Where and when…?
How, with what?
What is it …?
describe your idea in detail – keep it clear and concise
NOTES … define the initial reaction / critique?
VALUE TO END-USER
SCALE & GROTH POTENTIAL
INNOVATION & CREATIVITY
low high
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed
diam nonumy eirmod tempor invidunt ut labore et dolore
magna aliquyam erat, sed diam voluptua. At vero eos et
accusam et justo duo dolores et ea rebum. Stet clita kasd
gubergren, no sea takimata sanctus est Lorem ipsum dolor
sit amet.
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed
diam nonumy eirmod tempor invidunt ut labore et dolore
magna aliquyam erat, sed diam voluptua. At vero eos et
accusam et justo duo dolores et ea rebum.
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed
diam nonumy eirmod tempor invidunt ut labore et dolore
magna aliquyam erat, sed diam voluptua. At vero eos et
accusam et justo duo dolores et ea rebum. Stet clita kasd
gubergren, no sea takimata sanctus est Lorem ipsum dolor
sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing
elitr, sed diam nonumy eirmod tempor invidunt ut labore et
dolore magna aliquyam erat, sed diam voluptua. At vero eos
et accusam et justo duo dolores et ea rebum. Stet clita kasd
gubergren, no sea takimata sanctus est Lorem ipsum dolor
sit amet.
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed
diam nonumy eirmod tempor invidunt ut labore et dolore
magna aliquyam erat, sed diam voluptua. At vero eos et
accusam et justo duo dolores et ea rebum. Stet clita kasd
gubergren, no sea takimata sanctus est Lorem ipsum dolor
sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing
elitr, sed diam nonumy eirmod tempor invidunt ut labore et
dolore magna aliquyam erat, sed diam voluptua. At vero eos
et accusam et justo duo dolores et ea rebum. Stet clita kasd
gubergren, no sea takimata sanctus est Lorem ipsum dolor
sit amet.
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam
erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est
Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et
dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea
takimata sanctus est Lorem ipsum dolor sit amet.
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed
diam nonumy eirmod tempor invidunt ut labore et dolore
magna aliquyam erat, sed diam voluptua.
• Benefit 01
• Benefit 02
• Benefit 03
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed
diam nonumy eirmod tempor invidunt ut labore et dolore
magna aliquyam erat, sed diam voluptua..
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed
diam nonumy eirmod tempor invidunt ut labore et dolore
magna aliquyam erat, sed diam voluptua..
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed
diam nonumy eirmod tempor invidunt ut labore et dolore
magna aliquyam erat, sed diam voluptua..
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore
et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum.
Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit
amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna
aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd
gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet.
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore
et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum.
Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit
amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna
aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd
gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet.
Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed
diam nonumy eirmod tempor invidunt ut labore et dolore
magna aliquyam erat, sed diam voluptua. At vero eos et
accusam et justo duo dolores et ea rebum. Stet clita kasd
gubergren, no sea takimata sanctus est Lorem ipsum dolor
sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing
elitr, sed diam nonumy eirmod tempor invidunt ut labore et
dolore magna aliquyam erat, sed diam voluptua. At vero eos
et accusam et justo duo dolores et ea rebum. Stet clita kasd
gubergren, no sea takimata sanctus est Lorem ipsum dolor
sit amet.
39. Business Understanding
am Beispiel
Business Ziele - SALES FORECAST
Es soll eine Bedarfsvorhersage erstellt werden, welche die
Vorhersage von Verkäufen*, sowie die Planung von
Marketingkampagnen** unterstützt.
* … und damit indirekt auch Beschaffung und Lagerhaltung
** ... wie z.B. Promotions oder Einführung neuer Produkte
40. Business Understanding
am Beispiel
Analytische Ziele - SALES FORECAST
Eine Machine Learning Lösung soll den Umsatz je Filiale für den
Zeitraum von 6 Wochen, mit einer Genauigkeit von [X]%
vorhersagen.
ACHTUNG:
Hier ist ein konkreter Wert wichtig.
„Möglichst genau“ hilft bei späterer
Validierung und Qualitätsanalyse
des Modells leider wenig!
45. Data Understanding
am Beispiel
Daten sammeln & beschreiben - SALES FORECAST
Als Basis für erste Analyse dienen Sales Reports sowie
weitere Daten zu den POS aus den letzten drei Jahren.
* Anzahl verkaufter Produkte pro Tag
** u.a. Lokation, Größe, Mitarbeiter, Distanz zu Mitbewerbern
46. Data Understanding
am Beispiel
Daten sammeln & beschreiben - SALES FORECAST
Die Sales Reports und Daten aus den POS werden mit Hilfe einer
Exploratory Data Analysis (EDA) tiefgehender untersucht.
Der Fokus der Analyse liegt auf der Fragestellung, welche Variablen
einen direkten oder indirekten Einfluss auf die Verkaufszahlen
haben.
47. Sales Data
(>1 Mio Datensätze)
Store Data
(ca. 1100 Datensätze)
Data Understanding
am Beispiel
48. Sales Data
(>1 Mio Data Records)
Data Understanding
am Beispiel
OBJECT?
Inconvenient for ML!
DATETIME?
For sorting the "Time
Series". But is there
any more info in
there?
> 1 MIO Data Records
Lots of data! Very nice.
INT64?
Which values/ranges
are possible? And what
do they mean?
SALES!
Target Variable
49. Data Understanding
am Beispiel
Store Data
(ca. 1100 Data Records)
OBJECT?
Inconvenient for ML!
PROMO2?
What semantics?
COMPETITION?
What semantics?
NULL?
Why are there no
values?
> 1000 DATENSÄTZE
ca 1 Mio of 1000 Stores
STORE!
Merge Reference
50. Data Understanding
am Beispiel
Store Data
(ca. 1100 Data Records)
OBJECT?
Inconvenient for ML!
PROMO2?
What semantics?
COMPETITION?
What semantics?
NULL?
Why are there no
values?
> 1000 DATENSÄTZE
ca 1 Mio of 1000 Stores
STORE!
Merge Reference
59. Data Understanding
am Beispiel
Daten sammeln & beschreiben - SALES FORECAST
Neben den Sales Reports der einzelnen POS gibt es noch
zahlreiche weitere Quellen, die zur ML basierten Vorhersage
herangezogen werden können, um so ein genaueres Bild zu
zeichnen.
60. Internal Data Sources
External Data Sources
Unstructured
Data Sources
Structured
Data Sources
E-Commerce Sales Data
Sales Transactions
Purchchase Orders
Inventory
POS Information
Loyality Cards
Customer Service
61. E-Commerce Sales Data
Sales Transactions
Purchchase Orders
Inventory
POS Information
Loyality Cards
Customer Service
Weather
3rd Party syndicated Data
Macroeconomic Indicators
Government Census
Customer POS Information
Household Panel Data
Websites
Reviews
Marketing Campaigns
(Mobile) Apps
In-Store Devices
Texts
CRM Data
Internal Data Sources
External Data Sources
Unstructured
Data Sources
Structured
Data Sources
Social Media
Click Streams
Internet of Things
Geolocation Devices
Digital Personal Assistants
Videos
62. Data Understanding
am Beispiel
Daten untersuchen & bewerten - SALES FORECAST
Die Daten müssen im Vorfeld auf viele Qualitätsfaktoren hin
analysiert werden:
Verfügbarkeit, Vollständigkeit, Genauigkeit,
Gültigkeit, Konsistenz, Relevanz,
Granularität, Kosten
65. Data Preparation Process
Modeling
Deployment
&
Monitoring
Data Processing
& Wrangling
Feature
Extraction &
Engineering
Feature Scaling
& Selection
Data Preparation
Model
Evaluation
& Tuning
Re-iterate until satisfactory
model performance
Data
Sets
Data
Retrival
66. Data Preparation
Was genau sind eigentlich diese Features?
Was bedeutet Feature Engineering?
Und was ist der Unterschied zu Feature Selection?
70. Data Preparation
Die Kunst von Feature Engineering & Selection
„As many as necessary and as few as possible.“
• so viele wie notwendig führt zu guten Resultaten
• so wenige wie möglich führt zu guter Performance
71. Data Preparation
Feature Selection für jedermann?
„There is a tool for it …“
• FeatureTools*
• FeatureSelector**
**https://github.com/WillKoehrsen/feature-selector
*https://www.featuretools.com
78. Analysis & Modeling
ML Regressors
Wenn ein Zukunftswert auf Basis von Vergangenheitswerten
vorhergesagt werden soll, kommen in der Regel Regression
Algorithmen (aka Regressors) zum Einsatz.
79. Analysis & Modeling
am Beispiel
Typische Modell-Kandidaten für „Demand Forecasting“
ARIMA / SARIMA
Linear Regression
XG Boost
K-Nearest Neighbors Regression
Random Forrest
Long Short-Term Memory (LSTM)
Beste Lösung?
Abhängig von Fragestellung, z.B. …
SARIMA
saisonale Vorhersagen
Linear Regression
Einfluss von Änderungen
Trendvorhersagen
87. QA & Validation
am Beispiel
analytisches Ziel
"Eine Machine Learning Lösung soll den Umsatz je
Filiale für den Zeitraum von 6 Wochen, mit einer
Genauigkeit von [X]% vorhersagen.“
score_test
score_train
≈ > X
88. QA & Validation
am Beispiel
MAEP of Forecast on Group Level
Mean Avarage Percentage Error
Quelle: https://www.relexsolutions.com/resources/measuring-forecast-accuracy/
Product vs
Group Level?
89. QA & Validation
am Beispiel
MAEP of Forecast
Mean Avarage Percentage Error
Quelle: https://www.relexsolutions.com/resources/measuring-forecast-accuracy/
Gewichtung?
90. QA & Validation
am Beispiel
Quelle: https://www.relexsolutions.com/resources/measuring-forecast-accuracy/
W-MAEP of Forecast
Weighted Mean Avarage Percentage Error
98. Deployment & Operation
Statisches Modell Re-Trained Modell
Verschlechterung über die Zeit Regelmäßiges Modell-Update
Model
Quality
Model
Quality
99. Deployment & Operation
ML basierter Web Service
4. call WS 1. (re)train
3. (re)deploy
predict(…)
prediction
2. validate
100. CONTINUOUS DELIVERY
“…the ability to get changes of all types — including new
features, configuration changes, bug fixes, and experiments
— into production, or into the hands of users, safely and
quickly in a sustainable way.“
Jez Humble & Dave Farley
101. Deployment & Operation
am Beispiel
MLops etablieren aka CI / CD Pipeline für Änderungen
Data Model Code
Schema
Zeitreihen
Mengengerüst
Algorithmen
Trainings
Experimente
Anforderungen
Bug Fixes
Konfigurationen
104. Deployment & Operation
am Beispiel
Überwachung der Modelle
Model Performance
Model Input/Output Distribution
Model Learning Curves
Model Evaluation Metrics
Model QA Results
Hardware Metrics
CI/CD Pipeline for ML
107. 1 3 5
2 4 6
Business
Understanding
Data
Understanding
Data
Preparation
Analysis &
Modeling
QA &
Validation
Deployment &
Operation
ML for
Production
108. 1 3 5
2 4 6
Business
Understanding
Data
Understanding
Data
Preparation
Analysis &
Modeling
QA &
Validation
Deployment &
Operation
ML for
Production
Exploration
109. 1 3 5
2 4 6
Business
Understanding
Data
Understanding
Data
Preparation
Analysis &
Modeling
QA &
Validation
Deployment &
Operation
ML for
PRODUCTION