Künstliche Intelligenz ist in vielen Organisationen angekommen, oft jedoch in Form isolierter Prototypen, PoCs oder einzelner Tools.

Der Weg von der Idee zur produktiven und nachhaltig betriebenen KI-Lösung ist oft deutlich komplexer als die Einführung klassischer Software oder das reine Training eines KI-Modells.

Dieser Ganztagesworkshop richtet sich an IT-, Data-, Architektur-, Produkt- und Projektverantwortliche, die KI-Vorhaben erfolgreich umsetzen und mehrwertstiftend einsetzen wollen. Im Fokus stehen nicht Algorithmen, Tool-Demos oder der neueste Hype, sondern praxisnahe Erfolgsfaktoren und Best Practices entlang des gesamten KI-Lebenszyklus: 

  • Wie identifiziert, priorisiert und validiert man tragfähige KI-Use Cases? 
  • Welche Daten-, rechtlichen und Betriebsanforderungen bringen KI-Projekte realistisch mit sich?
  • Wieso sollten Human-in-the-Loop, Monitoring, Retraining und Governance von Beginn an mitgedacht werden?
  • Welche Rolle spielen Change Management und AI Literacy für Akzeptanz und nachhaltige Nutzung?

Der Workshop kombiniert praxisnahe Input-Sessions, Beispiele aus realen Projekten und ein strukturiertes Vorgehensmodell, das direkt für eigene KI-Vorhaben genutzt werden kann. Ziel ist es, die Teilnehmenden zu befähigen, KI-Projekte realistischer zu planen, sicherer umzusetzen und erfolgreich in den Betrieb zu bringen.

Agenda:
1. Einführung: Was ist KI und wie verändert sie Unternehmen?

  • Grundbegriffe, Abgrenzung zu klassischen IT-Lösungen
  • Chancen und Risiken beim Einsatz von KI

2. KI-Anwendungsfälle & Business Value: 

  • Identifikation und Bewertung von KI-Use Cases
  • Von der KI-Idee zum Prototypen

3. KI-/Datenstrategie & Daten-Governance:

  • Warum Daten der Enabler für KI sind
  • Aufbau einer nachhaltigen KI-/Datenstrategie

4. KI-Governance & Regulatorik:

  • Überblick über den EU AI Act und regulatorische Anforderungen
  • Verantwortlichkeiten und Human-in-the-Loop-Prinzip

5. KI-Projekte erfolgreich managen und umsetzen:

  • Spezifika von KI-Projekten: Unsicherheit, Lernfähigkeit, Dynamik
  • Phasenmodell zur erfolgreichen KI-Umsetzung: Exploration, Umsetzung, Betrieb (MLOps)

6. Change Management & Akzeptanz:

  • Häufige Fehlerquellen und Lessons Learned aus der Praxis
  • Data/AI Literacy, Umgang mit Unsicherheit und Widerständen

Dabei stets: gemeinsame Erarbeitung, Diskussion & Transfer, u.a.

  • Reflexion und Austausch: Eigene Herausforderungen und Chancen beim Einsatz von KI
  • Standort-Bestimmung: KI-Readiness-Check für das eigene Unternehmen
  • Vorgehens-Canvas für KI-Projekte