10 nach 10 Podcast

CSDC: AI and Data Science

February 19, 2021 Sigrid Schefer-Wenzl and Igor Miladinovic
10 nach 10 Podcast
CSDC: AI and Data Science
Chapters
10 nach 10 Podcast
CSDC: AI and Data Science
Feb 19, 2021
Sigrid Schefer-Wenzl and Igor Miladinovic

In dieser Folge geben wir Einblicke in die Lehrveranstaltungen „Introduction to AI and Data Science” und „Deep Learning – advanced AI and Data Science“ im 4. und 5. Semester in unserem Bachelorstudium Computer Science and Digital Communications. Wir stellen die Inhalte, den Vortragenden, die Organisation und die wichtigsten Ziele der Lehrveranstaltung vor. 

Show Notes Transcript

In dieser Folge geben wir Einblicke in die Lehrveranstaltungen „Introduction to AI and Data Science” und „Deep Learning – advanced AI and Data Science“ im 4. und 5. Semester in unserem Bachelorstudium Computer Science and Digital Communications. Wir stellen die Inhalte, den Vortragenden, die Organisation und die wichtigsten Ziele der Lehrveranstaltung vor. 

00:00:05
 Intro Speaker: Wissenswertes und Wissen. News aus den Studiengängen der Technik an der FH Campus Wien.

00:00:23
 Igor Miladinovic: Willkommen zu dieser Folge von unserem Podcast 10 nach 10. Mein Name ist Igor Miladinovic und ich bin der Studiengangesleiter vom Bachelor-Studiengang Computer Science and Digital Communications und vom Masterstudiengang Software Design and Engineering.

00:00:37
 Sigrid Schefer-Wenzl: Mein Name ist Sigrid Schefer-Wenzl. Ich bin Lehrende an diesen beiden Studiengängen und wir sprechen heute mit einem anderen Lehrenden von uns, Mugdim Bublin. Er ist Stiftungsprofessor für Artificial Intelligence bei uns in den Studiengängen und wird uns heute zwei seiner Lehrveranstaltungen vorstellen.

00:01:01
 Igor Miladinovic: Die Entwicklung der Informatik und digitalen Kommunikation war nie so schnell wie heute.

00:01:07
 Sigrid Schefer-Wenzl: Und sie wird nie so langsam sein wie heute.

00:01:12
 Igor Miladinovic: In diesen Podcast stellen wir wichtige Themen rund um unsere Informatik Studiengänge der FH Campus Wien vor,

00:01:21
 Sigrid Schefer-Wenzl: die sie optimal für diese Entwicklung vorbereiten werden.

00:01:27
 Igor Miladinovic: Bevor wir jetzt über die Lehrveranstaltungen reden, würde ich Mugdim bitten, sich kurz vorzustellen, was ist seine berufliche Erfahrung, wie ist er zu uns gekommen? Seit wie vielen Jahren unterrichtet er überhaupt und seit wie vielen Jahren bei uns? So eine kurze Vorstellung Bitte.

00:01:45
 Mugdim Bublin: Hallo, mein Name ist Mugdim Bublin. Seit etwa einem Jahr bin ich in der Lehre und Forschung an der FH angestellt. Ich unterrichte Deep Learning im Master-Studium und Introduction to Artificial Intelligence in Data Science sowie Deep Learning im Bachelor. Davor war ich relativ lange bei Siemens, wo ich mich unter anderem mit AI Anwendungen, Mobilfunknetzen und bei der Überwachung von Pipelines und Autobahnen beschäftigt habe. Danach war ich relativ kurze Zeit bei Bosch, wo ich mit Software Safety mich beschäftigt habe. Parallel dazu habe ich etwa 10 Jahre als nebenberuflicher Lektor an der FH Kärnten in Klagenfurt unterrichtet.

00:02:26
 Sigrid Schefer-Wenzl: Vielen Dank! Kannst du uns vielleicht dieses Wahlfachmodul, das ja jetzt bei uns neu eingeführt wird AI and Data Science, kannst du uns dieses Wahlfachmodul kurz vorstellen bitte? Was sind die Inhalte von diesen Vorlesungen?

00:02:40
 Mugdim Bublin: Also zunächst mal: die Vorlesung mache ich zusammen mit Professor Steineder, das ist unser Mathematikprofessor und er sorgt für eine solide mathematische Grundlage der AI und ich würde den Schwerpunkt eher auf die Algorithmen und Anwendungen legen. Wie Sie wissen, wir haben zwei Semester. Im ersten Semester werden die klassischen AI Methoden mehr behandelt, wie z.B. Suche, Logik, wissensbasierte Systeme, aber auch z.B. Entscheidungen und Spieltheorie. Es werden auch gewisse Grundlagen von Data Science und Deep Learning in dem Semester angesprochen. Und dann im zweiten Semester gehen wir mehr auf Advance Data Science, an Deep Learning Methoden, die heutzutage besonders leistungsfähig sind. Diese Lehrveranstaltung soll auch die Grundlage für Bachelorarbeiten, Masterarbeiten in anderen verschiedenen Domänen bieten und sie bekommen eine gute Grundlage, dann in diese Domänen, ihre Bachelor oder Masterarbeiten zu verfassen bzw. natürlich im Beruf anzuwenden.

00:03:48
 Sigrid Schefer-Wenzl: Kannst du uns noch sagen, warum glaubst du, ist es für Informatiker Informatikerinnen interessant, sich mit dem Thema künstliche Intelligenz zu beschäftigen?

00:03:59
 Mugdim Bublin: Es ist, wie Sie wahrscheinlich wissen, AI und Data Science wird überall wie auch in Informatik eingesetzt, insbesondere heutzutage in diesen interessanten, zukunftsträchtigen Gebieten wie Industrie 4.0, autonomes Fahren, Robotik, die verschiedene Domänen von Webentwicklung bis zu Medizin. Und es gibt immer mehr Firmen, die Experten in AI, Maschinelearning und Data Science suchen und für mich ist es wichtig den Studierenden die Grundlagen von AI und Data Science zu vermieteln, damit sie in diesen zukunftsträchtigen Gebieten produktiv arbeiten können und auch ihren Beitrag leisten.

00:04:44
 Igor Miladinovic: Vielen Dank. Für mich klingt es so, dass es eine gute Mischung zwischen mathematischen Grundlagen und praktischen Anwendungen von künstlichen Intelligenz ist. Und natürlich, man muss sich Konzepte überlegen, wie man so eine Mischung am besten vermittelt. Wie ist diese Lehrveranstaltung organisiert? Ist es eine Übung, Vorlesung? Integrierte Lehrveranstaltung? Was müssen die Studierenden oder was dürfen die Studierenden machen?

00:05:11
 Mugdim Bublin: Also die LV ist als integrierte Lehrveranstaltung organisiert. Also neben der Vorlesung, wo Theorie vermittelt wird, gibt es natürlich auch Übungen, wo diese Theorie geübt wird, gefestigt wird. Aber es gibt auch praktische Applikation, also die Studierenden, sollen lernen von dieser Lehrveranstaltung auch eigene Applikationen zu entwickeln. Und diese Applikation kann z.B. auch als Erweiterung für ihre Arbeiten z.B. Sie haben ein Webpage gemacht und jetzt wollen Sie das erweitern und z.B. ein Chatbot oder z.B. ein Bewertungs Algorithmus, der zeigt, wie oft z.B. gewisse Produkte angeklickt werden, und was wäre dann dem User z.B. als nächstes anzubieten. Aber auch natürlich aufbauend auf diese praktische Arbeit können die Studierenden natürlich weiter ein Praktikum oder eine Bachelorarbeit machen. Und die Gesamtnote setzt sich dann aus der Bewertung der Vorlesungsinhalte die durch die schriftliche Prüfung gemacht wird und Bewertung der Übung und Applikation zusammen.

00:06:20
 Sigrid Schefer-Wenzl: Dankeschön. Was würdest du sagen, auf welche Berufe bereitet dieses Wahlpflicht Modul die Studierenden vor?

00:06:29
 Mugdim Bublin: Zunächst wie gesagt, AI und Data Science haben eine allgemeine Anwendung, so ähnlich wie Informatik, und sie können dann überall eingesetzt werden, insbesondere wo es um Automatisierung geht, Robotik aber auch in praktisch jeder Domäne von Softwareentwicklung, von Webentwicklung, wie gesagt bis zur Medizin, Biologie. Und besonders wenn z.B. die Firmen Data Scientist oder Machine Learning Experten suchen, dann können sich unsere Studierenden angesprochen fühlen.

00:07:03
 Igor Miladinovic: Danke! Inhalte sind da vielfältig und wir reden über zwei Semester. Im ersten Semester, ist es eine Art von Einführung, Introduction Zu diesen Themen, im zweiten Semester sind die Themen etwas advanced. Und wenn du jetzt drei Sachen nennen musstest, wo du dir wünschst, dass die Studierenden sie nach diesem Modul mitnehmen oder aus diesem Modul mitnehmen, was wären diese drei Sachen?

00:07:36
 Mugdim Bublin: Also ich würde versuchen, zunächst einmal grundlegendes Verständnis für AI und Data Science zu vermitteln, also was sind die wichtigesten Begriffe Methoden, Algorithmen der AI und Data Science, dass die Studierenden allgemeines Verständnis für AI und Data Science entwickeln. Dann geht es um die Anwendung, wo und wie man AI und Data Science richtig anwendet und auch Eigenentwicklung, also die Studierenden sollen auch in der Lage sein, selber AI und Data Science Applikationen zu entwickeln. Und dann, last but not least: Wichtig für mich ist, dass die Studierenden auch die Grenzen der AI kennen, was AI noch nicht kann. Was muss man berücksichtigen, z.B. bei allgemeinen gesellschaftlichen Fragen wie z.B. IT Sicherheit. Mir ist wichtig, unsere Studierenden zu ermutigen, nicht nur die AI zu entwickeln, sondern dass sie darauf schauen, die AI für die Gemeinwohl einzusetzen, dass sie dieses große Gesamte auch im Blick behalten und da AI richtig einzuordnen.

00:08:45
 Sigrid Schefer-Wenzl: Du hast ja schon ein paar Studierende bei uns begleitet bei ihren Projekten, wo sie AI Methoden verwendet haben. Was würdest du sagen, sind so ein, zwei Beispiele von sehr gelungenen Projekten, die dir in Erinnerung geblieben sind.

00:09:01
 Mugdim Bublin: Also interessant ist z.B. jetzt Anwendung von Deep Learning auf die Protein Struktur und Funktion Vorhersage. Und das gewinnt z.B. auch durch diese Corona immer mehr an Bedeutung, weil da durch kann man auch dieses Corona Virus analysieren, gewisse Mutationen vorhersagen. Und da haben die Studierenden versucht, die neueste Methode zum beispiel durch Deep Mind entwickelte Algorithmus zur Proteinstruktur Vorhersage z.B. die Struktur mancher Proteinen zu bestimmen und die haben sich mit diesen Algorithmen auseinandergesetzt. Und das ist praktisch neueste Stand der Forschung. Man kann natürlich jetzt nicht alle Details und Algorithmen selber entwickeln, aber schon ein Gefühl für das, was zurzeit aktuell ist, finde ich wichtig, dass die Studierenden bekommen und die waren wirklich begeistert bei der Aufgabe und haben viel weitergebracht. Aber das ist natürlich eine der schwierigsten Fragen heutzutage mit wissenschaftliche Problemen, und da gibt es weltweit noch viel zu tun. Aber unsere Studierenden haben Einblick gewonnen in dieses spannende Forschungsgebiet dadurch und auch natürlich vor allem Deep Learning Algorithmen kennen gelernt dadurch.

00:10:18
 Igor Miladinovic: Gut, vielen Dank! Für mich klingt das sehr spannend, eine Mischung aus mathematischen Grundlagen, aus praktischen Anwendungen von Machine Learning und auch etwas über die ethischen Fragen Was kann AI? Wo sind die Grenzen von AI? Das Ganze ist so organisiert, dass man eine Reihe von Vorlesungen hat und auch Übungen, die dazugehörigen Übungen. Jetzt kommen wir zum letzten Teil von diesem Interview. Da geht es um die Fragen, die jetzt nicht unbedingt etwas mit der Lehrveranstaltung zu tun haben. Und du solltest das antworten an was du als erstes denkst. So ganz spontane Antworten. Die erste Frage: Was bedeutet Prüfen für dich?

00:11:04
 Mugdim Bublin: Also beim Prüfen fühle ich mich auch als Prüfling, nicht nur als der Prüfende sondern auch als Prüfling, weil auf gewisser Weise mein Anliegen ist auch, dass die Studierenden möglichst gut lernen und umso besser sie bei der Prüfung abschneiden, desto besser schneide ich bei mir selber ab. Aber es ist natürlich für mich schwierig, schlechtere Noten zu geben. Ich würde lieber die besten Noten vergeben, wenn natürlich die Leistung entsprechend ist. Und das ist ein, glaube ich, gemeinsames Anliegen von Studierenden und mir, dass da möglichst viele gute Noten rauskommen.

00:11:45
 Sigrid Schefer-Wenzl: Das ist eine sehr schöne Antwort. Wir haben noch eine Frage für dich, und zwar was bedeutet ein Studium für dich?

00:11:53
 Mugdim Bublin: Es ist eigentlich, glaube ich die schönste Zeit des Lebens, sagt man. Und besonders, weil man so viel lernen kann und man soll natürlich sein ganzes Leben lang lernen. Aber gerade im Studium ist das eigentlich die Hauptaufgabe, so per Definition, und das finde ich das sollen die Studierende auch nutzen und diese Zeit wirklich genießen, weil Lernen in diesen Jahren ist sehr wichtig. Aber auch macht viel Spaß.

00:12:26
 Igor Miladinovic: Danke. Gut die nächste Frage: Was ist für dich eine gute Vortragende oder ein guter Vortragender?

00:12:35
 Mugdim Bublin: Für mich z.B. wenn ich jemandem zuhöre, versuche, was von ihr oder ihm zu lernen, wichtig ist, dass diese Inhalte verständlich vermittelt werden. Ich glaube, viele Sachen kann man relativ einfach erklären, dass man vorwiegend motiviert ist, dass man eine gewisse Begeisterung spürt, das man dieses Gebiet wirklich mag. Also dieser Enthusiasmus. Und das weckt auch Interesse an dem Stoff, was wichtig ist, natürlich Wichtiges von Unwichtiges zu unterscheiden. Also manche Sache, die man als Studierende nicht gleich als wichtig erkennt, aber wenn der Lehrende gewisse Erfahrung hat und die Vermittelt, dann kommt man viel später drauf, dass das doch wichtig war, obwohl es zu dieser Zeit vielleicht nicht unbedingt etwas ist, was man lernen würde. So gewisse Begeisterung Fähigkeit, diese Sachen relativ einfach verständlich zu erklären und Wichtiges zu betonen, herauszustreichen. Das Alles dann trägt zur Motivation bei. Das ist das Wichtigste beim Lernen, glaube ich.

00:13:46
 Igor Miladinovic: Vielen Dank! Bis jetzt haben wir immer beobachten können, dass viele Studierende in diesem Bereich dann weiter Bachelorarbeiten machen. Einige machen dann später mit diesem Thema im Master weiter. Das heißt das mit Begeistern und Motivieren, hat bis jetzt immer gut funktioniert. Danke für dieses informative Gespräch. Es freut uns, dass Sie heute mit uns waren. Wir hoffen, dass diese Folge für Sie interessant war und wir hören uns beim nächsten Mal.

00:14:14
 Sigrid Schefer-Wenzl: Vielen Dank und bis zum nächsten Mal.