AI als Treiber der digitalen Transformation: Wie sehen IT Strategien für den Einsatz von AI & Machine Learning im Enterprise-Kontext aus?

KI zwischen Ersparnis und Investition – Wie meistern Unternehmen den Spagat zwischen Einsparungen durch Automatisierung und Ausgaben für neue Tools und Technologien für ihre Entwicklerteams?

AI & IT Infrastruktur – Wie lassen sich Anforderungen bzgl. Kapazitäten, Ressourcen, Personal und Datenmanagement bewältigen?

AI meets Legacy Systems – Wie lassen sich KI-basierte Technologien in bestehende Systeme und Landschaften integrieren?

Vom Data Lab zum Business Value: Wie Skalierbarkeit und Produktivität in Machine Learning-Projekte bekommen?

Zusammenspiel von Lab, IT und & Business – Welche Tools ermöglichen es Data Science- und IT-Operations-Teams, gemeinsam maschinelle Lernmodelle einzusetzen, zu überwachen und zu verwalten?

Machine Learning at Speed - Wie sehen Plattformen aus, auf denen sich Machine Learning- und Deep Learning-Modelle schnell und effizient entwickeln und trainieren lassen?

Data Scientists at Speed – Wie können Unternehmen Tools und Infrastrukturen sinnvoll verwalten (lassen), damit sich die Data Science-Teams voll und ganz auf die Entwicklung neuer ML-Anwendungen konzentrieren können?

Neuronale Netze & Deep Learning, Computer vision & Embedded Vision, Spracherkennung und Natural Language Processing – Welche Machine Learning Modelle und Methoden lohnen sich für welche Anwendungsfälle?

AI & Security Automation – Wie lassen sich Machine Learning-Systeme und Training-Daten vor schädlichen Einflüssen schützen?