Hier finden Sie die detaillierten Lehrpläne für die einzelnen Lernelemente des KInd Schulungsprogramms. Das Programm zielt darauf ab, produzierende Unternehmen bei der Einführung und Nutzung intelligenter und kognitiver Technologien in der Produktion zu qualifizieren und ihre Transformation aktiv zu unterstützen. Die Module sind in die drei Themenbereiche gegliedert: Basis, Datenverarbeitung und System Design.
Technische Basis
Grundlegende Prinzipien und Eigenschaften von kognitiven Systemen, Anwendungsbeispiele, der menschliche Faktor, relevante Rechenplattformen, Schnittstellen (Sensoren, Aktuatoren, Kommunikation) sowie Einbindungs- und Entwicklungsprozesse.
1.1 Prinzipien & Beispiele
Allgemein
0,5T
Lernziele:
- Fundamentale Konzepte kognitiver Systeme verstehen.
- Charakteristika und Fähigkeiten erläutern.
- Anwendungsbeispiele und Mehrwert bewerten.
- Potenziale im eigenen Kontext identifizieren.
Inhalte:
- Definition: Was ist ein "Kognitives Produkt"? (Fähigkeiten, Eigenschaften)
- Beispiele für kognitive Produkte (z.B. Smart Tools, Assistenzsysteme).
- Der Menschliche Faktor: KI-Technologien menschenzentriert entwickeln.
- Technologische "Fails" und deren Gründe (Bias, I-Methodology).
- Verantwortungsvolle KI-Einbindung und partizipative Technikgestaltung.
- Übung: "Kognifizierung" eigener Produkte/Prozesse.
Empfohlenes Vorwissen:
Technisches Grundverständnis.
1.2 Rechenplattformen
Systemarchitekten und Entwickler
0,5T
Lernziele:
- Grundlagen von Rechenplattformen und deren typische Anwendungen kennen.
- Unterschiedliche Plattformen (Embedded, Desktop, Cloud) bewerten können.
- Mythen von Fakten bezüglich Fähigkeiten unterscheiden können.
- Geeignete Plattformen für spezifische Anwendungsfälle auswählen können.
Inhalte:
- Überblick: Embedded Systems, Desktop Systems, Server Systems, Cloud Systems.
- Komponenten von Embedded Systems (CPU, GPU, Speicher, Konnektivität).
- Spezialisierte Chips (DSPs, FPGAs, ASICs, VPUs, NPUs, Edge TPUs).
- Anwendungsbeispiele: Security Keys, Smart Cards, Kameranetzwerke, Drohnen.
- Cloud Systeme: NIST Definition, Charakteristika, Service Modelle (SaaS, PaaS, IaaS), Deployment Modelle.
- Virtualisierung & Containerisierung.
- Praktische Übungen zu Embedded und Cloud Systemen.
Empfohlenes Vorwissen:
Grundkenntnisse IT-Infrastruktur.
1.3 Sensoren & Aktuatoren
Techniker
0,5T
Lernziele:
- Verständnis für Auswahl, Platzierung und Anbindung von Sensoren/Aktuatoren.
- Fähigkeit zur Erstellung einer Datenbasis und Interaktion mit der Umgebung.
- Kenntnis über Fähigkeiten, Schwächen und Eigenschaften (Datenschutz, Sicherheit, Bias, Robustheit).
Inhalte:
- Definition und Kategorisierung von Sensoren und Aktuatoren.
- Lagebilder: Produkte, Produktionsmaschinen, Produktionssysteme, Menschen, Urbane Sensorik.
- Eigenschaften: Reichweite, Fehler, Empfindlichkeit, Nichtlinearität, Stabilität, Auflösung.
- Weitere Eigenschaften: Safety, Security, Bias, Privacy, Reliability, Availability (IEC61508).
- Praktisches Erarbeiten und Code Demos.
Empfohlenes Vorwissen:
Grundkenntnisse Physik/Elektrotechnik.
1.4 Kommunikation
Systemarchitekten und Techniker
0,5T
Lernziele:
- Verständnis von Netzwerk-Topologien und deren Auswirkungen.
- Kenntnis grundlegender Kommunikationsprotokolle (ISO/OSI, Internet Stack).
- Überblick über spezifische drahtgebundene und drahtlose Technologien.
Inhalte:
- Netzwerk-Topologien: Point-to-Point, Bus, Ring, Star, Mesh, Tree, Hybrid, SDN.
- Protokolle: ISO/OSI Referenz Stack vs. Internet Stack.
- Industrielle Protokolle: Modbus, OPC-UA, MQTT, HTTP/REST, EtherCAT.
- Drahtgebundene/Drahtlose Kommunikation: Ethernet, CAN, LIN, WiFi, Bluetooth, 5G, LoRa etc.
- Sicherheitsaspekte und Fehlerbehandlung.
Empfohlenes Vorwissen:
Grundkenntnisse Netzwerktechnik.
1.5 Entwicklungsprozesse
Projektleiter und Entwickler
0,5T
Lernziele:
- Prozessmodelle (Waterfall, V-Modell, Agile etc.) verstehen.
- Hardware- und Data-Science-spezifische Modelle kennen.
- Prozessautomatisierung einschätzen können.
Inhalte:
- Typische Engineering Prozessmodelle.
- Stage-Gate Prozess, CRISP-DM.
- Prozessautomatisierung und -unterstützung (Tools, CEPS).
- Praktische Übung: LEGO Park Projekt.
Empfohlenes Vorwissen:
Grundkenntnisse Softwareentwicklung.
Datenverarbeitung für Kognitive Systeme
Diese Phase deckt verschiedene Aspekte der Datenverarbeitung ab, von der Analyse und Visualisierung über experimentelles Design bis hin zu Machine Learning, Computer Vision und kausaler Analyse.
2.1 Analyse & Visualisierung
Datenanalysten
0,5T
Lernziele:
- Verständnis, was Visualisierungen sind und warum sie wichtig sind.
- Kenntnis verschiedener Datentypen und deren Semantik.
- Fähigkeit, effektive Visualisierungen mittels Marks und Channels zu erstellen.
Inhalte:
- Definition und Zweck von Datenvisualisierung.
- Datensatztypen und Attributtypen.
- Visuelle Enkodierung: Marks und Channels.
- Prinzipien der Expressivität und Effektivität.
- Werkzeuge und Bibliotheken (DATAVIZ Catalogue, D3.js, Power BI).
- Design Study Methodik.
Empfohlenes Vorwissen:
Grundlegendes Datenverständnis.
2.2 Experimentdesign
UX-Forscher und Produktmanager
0,5T
Lernziele:
- Grundlagen des Experimentdesigns verstehen.
- Usability-Test-Kategorien und -Methoden kennen.
- Usability-Metriken erheben und analysieren.
- Grundlagen statistischer Analyse.
Inhalte:
- Definition und Bedeutung von Experimentdesign.
- Usability Tests (Formativ, Summativ, Komparativ).
- Usability Metriken (Effektivität, Effizienz, Zufriedenheit).
- Statistische Analyse (Deskriptiv, Inferenz, T-Test, ANOVA).
- Praktische Übungen mit RStudio.
Empfohlenes Vorwissen:
Grundlegendes Verständnis von Forschungsmethoden.
2.3 Machine Learning
Datenanalysten und Entwickler
0,5T
Lernziele:
- Taxonomie von KI und ML verstehen.
- Arten von ML-Algorithmen und Lernaufgaben kennen.
- Grundlagen von Deep Learning und Backpropagation.
- Klassifikationsmetriken interpretieren und Modelle mit Keras programmieren.
- Konzept von Multi-Task Learning verstehen.
- Feature Learning Ansätze und MTL-Architekturen kennen.
- Vor- und Nachteile von Multi-Task Learning.
Inhalte:
- ML Lifecycle, Arten von ML-Algorithmen.
- Deep Learning: Neuron, Layer-Typen (Fully Connected, CNN, LSTM/GRU).
- Output Layer, Loss Functions.
- Klassifikationsmetriken.
- Programmierung mit Keras.
- Definition und Motivation von MTL.
- Feature Learning, Autoencoder.
- MTL Architekturen (Shared/Task-Specific Layers).
- Loss Function im MTL.
- Anwendungsbeispiele (Gesichtserkennung, LLMs).
Empfohlenes Vorwissen:
Solide Kenntnisse in Machine Learning und Deep Learning; mathematisches Grundverständnis und Programmierkenntnisse (Python von Vorteil).
2.4 Computer Vision
Entwickler und Techniker
1T
Lernziele:
- Grundlagen der Bildverarbeitung und CV verstehen.
- Sensoren und Datenformate für CV kennen.
- Moderne CV-Modelle (Deep Learning) anwenden.
- Lernstrategien für CV-Aufgaben verstehen.
Inhalte:
- Einführung in CV, Daten in CV, Annotationen.
- Sensoren (Kameras, RGB-D).
- CV-Anwendungen (Objekterkennung, Segmentierung etc.).
- ML Modelle (CNNs, YOLO, Vision Transformers).
- Lernstrategien (Transfer Learning, Few-Shot etc.).
Empfohlenes Vorwissen:
Grundlagen Machine Learning und Bildverarbeitung.
2.5 Kausale Analyse
Datenanalysten und Forscher
1T
Lernziele:
- Unterschied Korrelation vs. Kausalität.
- Grundlagen der Kausalen Entdeckung und Methoden.
- Kausale Graphen interpretieren und erstellen.
Inhalte:
- Einführung Kausalität (Simpson's Paradox).
- Ladder of Causality, Kausale Graphen (DAGs).
- PC-Algorithmus, Kausale Analyse für Zeitreihen (Granger, PCMCI).
- Anwendungen (Feature Selection, xAI).
- Werkzeuge (causal-learn, Tigramite).
Empfohlenes Vorwissen:
Grundlegendes Verständnis von Statistik und Datenanalyse.
Nachhaltiges und Menschenzentriertes Systemdesign
Diese Phase behandelt nicht-funktionale Anforderungen, Safe AI, Lebenszyklusanalyse, Interoperabilität und das Design verteilter Systeme.
3.1 Nicht Funktionale Anf. & Safe AI
Systemdesigner und Sicherheitsbeauftragte
0,5T
Lernziele:
- Funktionale vs. Nicht-funktionale Anforderungen (NFA).
- Konzepte von Dependability (Reliability, Availability etc.).
- Grundlagen AI Risk Management und EU AI Act.
- Risikobewertung für KI-Systeme durchführen.
Inhalte:
- NFA, Dependability (Reliability, Availability, Maintainability, Security, Safety).
- HARA, SIL.
- Safe AI, AI Risk Management, EU AI Act.
- Praktische Risikobewertung.
Empfohlenes Vorwissen:
Technisches Verständnis und idealerweise Erfahrung im Systemdesign.
3.2 Life-Cycle Analyse
Produktentwickler und Nachhaltigkeitsmanager
0,5T
Lernziele:
- Grundprinzipien der Ökobilanz (LCA) verstehen.
- Phasen einer LCA anwenden können.
- LCA für einfache Produkte/Prozesse erstellen und interpretieren.
Inhalte:
- Einführung und Motivation für LCA.
- Standards (ISO 14040).
- Phasen einer LCA (Scope, Inventory, Impact Assessment, Interpretation).
- Datenbanken für LCA.
Empfohlenes Vorwissen:
Grundlegendes Verständnis von Produktentwicklungsprozessen.
3.3 Interoperabilität
Systemarchitekten und Softwareentwickler
1T
Lernziele:
- Konzepte der Interoperabilität verstehen.
- Wichtige Kommunikationsprotokolle (HTTP, REST, MQTT etc.) kennen.
- Prinzipien des REST API Designs anwenden.
- Grundlagen der Shopfloor Interoperabilität und OPC UA.
Inhalte:
- Definition Interoperabilität.
- Kommunikationsprotokolle (HTTP/REST, SOAP, MQTT, WebSockets).
- REST API Design.
- Shopfloor Interoperabilität, OPC UA.
Empfohlenes Vorwissen:
Grundkenntnisse in Softwarearchitektur und Netzwerkprotokollen.
3.4 Einbindungsprozesse
Projektleiter und Produktmanager
0,5T
Lernziele:
- Dynamik von Veränderungsprozessen und Umgang mit Widerständen verstehen.
- Menschenzentrierte Technologieentwicklung anwenden.
- Stakeholder-Analyse und -Einbindung beherrschen.
Inhalte:
- Change Management Grundlagen (Change Kurve, Widerstand).
- Menschenzentrierte Technologieentwicklung (Vermeidung von Fails, Diversity).
- Einbindungsformate (Workshops, Fokusgruppen).
- Stakeholder-Analyse.
Empfohlenes Vorwissen:
Projekterfahrung von Vorteil.
3.5 Verteilte Systeme
Systemarchitekten und Techniker
1T
Lernziele:
- Grundlagen und Herausforderungen verteilter Systeme.
- Konzepte der Event-Driven Architecture (EDA).
- Verfügbarkeit verteilter Systeme berechnen.
- ML in verteilten Systemen (Reinforcement/Federated Learning).
Inhalte:
- Einführung Verteilte Systeme.
- Design Herausforderungen (Kommunikation, Synchronisation, Transaktionen).
- Event-Driven Architecture (EDA).
- Verfügbarkeitsberechnung.
- ML: Reinforcement Learning, Federated Learning.
Empfohlenes Vorwissen:
Grundlegendes Verständnis von Softwareentwicklung und Systemarchitektur.